KIs schleichender Aufstieg auf dem Shopfloor

SAN JOSE, Kalifornien – Tiefe neuronale Netze halten zunehmend Einzug in industrielle Umgebungen und stehen bereit, die Fabrikautomation zu transformieren.

Frühe Adopter und Einsatzgebiete

Frühe Anwender betten neuronale Netze bereits als Intelligenz hinter Computer-Vision-Kameras ein. Mit der Zeit werden diese Netze in Roboterarme, Sensor-Gateways und Steuerungen vordringen und Fertigungsprozesse umgestalten. Der Übergang vollzieht sich jedoch in gemäßigtem Tempo.

„Wir befinden uns noch in den frühen Phasen einer wahrscheinlich jahrzehntelangen Ära von Fortschritten und nächsten Generationen von Machine-Learning-Algorithmen, aber ich denke, wir werden in den nächsten Jahren enorme Fortschritte sehen“, sagte Rob High, CTO von IBM Watson.

Neuronale Netze beginnen, Linux-fähige, Multicore-x86-Gateways und -Controller zu bevölkern, die den Shopfloor zunehmend umgeben. Aufkommende 5G-Mobilfunknetze werden diesen Systemen schließlich nahtlosen Zugriff auf entfernte Rechenzentren gewähren, fügte High hinzu.

Branchenpioniere

Automobil, Luftfahrt und Gesundheitswesen gehen bereits erste Schritte, primär mit smarten Kameras. Canon bettet Nvidia Jetson Boards in seine Industriekameras ein, um Deep Learning zu aktivieren. Cognex Corp., ein führender Anbieter von Industriekameras, erweitert seine eigenen Deep-Learning-Angebote. Das chinesische Startup Horizon Robotics liefert Überwachungskameras, die seine Deep-Learning-Inferenzbeschleuniger integrieren.

„Alle frühen Adopter haben Deep Learning für visuelle Wahrnehmung eingesetzt, und andere beginnen, sie zur Kenntnis zu nehmen“, sagte Deepu Talla, General Manager für autonome Maschinen bei Nvidia. „Wahrnehmung ist verhältnismäßig einfach umzusetzen, und Forscher sehen es als gelöstes Problem. Die großen Herausforderungen liegen nun in der Nutzung von KI für Interaktion mit Menschen und detailliertere Aktuierung – das sind 10-Jahres-Forschungsprobleme. In Bereichen wie Drohnen- und Roboter-Navigation befinden wir uns noch im Prototypenstadium.“

Talla nennt Robotik „die Schnittstelle von Computern und KI“, aber viele industrielle Deep-Learning-Anwendungen werden weniger glamourös sein – und früher eintreffen.

Vorausschauende Wartung als Einstieg

Fabrikroboter setzen noch keine KI ein, sagt Doug Olsen, CEO von Harmonic Drive LLC, einem führenden Zulieferer von Roboterkomponenten. Kurzfristig wird der Fokus von smarten Roboterarmen auf eingebettete Systeme verlagert, die Ausfälle vorhersagen und Nutzungsdaten sammeln, um präventive Wartung zu planen. „Dort kann KI zuerst Fuß fassen“, erklärte Olsen.

Große Chiphersteller richten sich nach diesem Trend aus. Renesas begann vor drei Jahren mit Experimenten und setzte KI-fähige Mikrocontroller an Endknoten ein, um Fehler zu erkennen und Wartungsbedarf in Produktionslinien eines seiner Halbleiterwerke vorherzusagen. Im Oktober brachte Renesas seine ersten MCUs mit dynamisch rekonfigurierbaren Prozessorblöcken für Echtzeit-Bildverarbeitung auf den Markt, mit Plänen für Controller mit Echtzeit-Kognition 2020 und inkrementellem Lernen 2022.

STMicroelectronics verfolgt einen ähnlichen Ansatz mit seiner STM32-Linie. Im Februar kündigte es ein Deep-Learning-System-on-Chip und einen in Entwicklung befindlichen Beschleuniger an, der teilweise der Fehlererkennung auf dem Shopfloor dient.

Ausblick: Smarte Roboter

Smarte Roboter werden schließlich kommen. Das Startup covariant.ai arbeitet daran, sie mit Reinforcement Learning zu befähigen. „Roboter auszustatten, um zu sehen und auf das Gesehene zu reagieren, wird einer der größten Unterschiede sein, den Deep Learning in den nächsten Jahren machen wird“, sagte Pieter Abbeel, KI-Forscher, Gründer von Covariant und Leiter des Robotik-Labs an der UC Berkeley.

Abbeel zeigt beeindruckende Simulationen von Robotern, die mit neuronalen Netzen Laufen lernen, warnt aber, dass das Feld noch in den Kinderschuhen steckt. „Tatsächlich haben wir Covariant partly deshalb gegründet, weil der industrielle KI-Raum noch nicht so überlaufen ist“, sagte er.