Nachricht

Während einer strategischen Wende kommt der Punkt, an dem Sie entscheiden müssen, ob Sie neue Technologien annehmen oder ablehnen. Diese Entscheidung mag auf den ersten Blick einfach erscheinen, kann jedoch in Wirklichkeit viel komplexer sein. Revolutionen geschehen nicht immer über Nacht; Sie können sich über Jahre hinweg entfalten, wobei die meisten Fortschritte verborgen bleiben, bis ein Durchbruch sie ins Rampenlicht rückt, damit jeder sie sehen kann. 

1986 initiierte die School of Computer Science der Carnegie Mellon University das Navlab-Projekt, das das Potenzial künstlicher Intelligenz demonstrierte. Sie entwickelten ein System, das es einem Chevrolet-Kastenwagen ermöglichte, autonom zu fahren. Dies geschah in den frühen Phasen der Entwicklung von Computer-Vision- und maschinellen Lernalgorithmen, die heute in vielen Anwendungen weit verbreitet sind. 

Während seiner Entwicklung galt es als bahnbrechend, war aber noch nicht bereit, Teil des täglichen Lebens zu sein. In der heutigen Welt sind wir jedoch daran gewöhnt, von selbstfahrenden Autos zu hören und gelegentlich sogar zu sehen, die verschiedene Unternehmen entwickeln und an den Unternehmenssektor verkaufen, mit dem Ziel, diese Technologie in nicht allzu ferner Zukunft der breiten Öffentlichkeit zu vermarkten. 

Autonomes Fahren erfordert, wie die meisten KI-Anwendungen, Algorithmen und Prozessoren, die mit sehr großen Datensätzen in Echtzeit arbeiten können. Beispielsweise benötigen große Sprachmodelle (LLMs), wie sie von OpenAI in ChatGPT, Microsoft in Copilot oder anderen Anwendungen, die Meta LLM Llama 3 verwenden, verwendet werden, große Datensätze, um die Muster zu erkennen, die von Menschen geschriebene Sätze erstellen. Daher werden Sie im Kern des maschinellen Lernens feststellen, dass sowohl Daten als auch die Fähigkeit zur schnellen Datenverarbeitung für die Arbeit mit diesen Systemen erforderlich sind. 

Betrachten wir ein Szenario, in dem Ihre Fabrik 1000 Einheiten pro Stunde produzieren muss. Wenn eine Ihrer Maschinen bei voller Auslastung ausfällt, werden Sie das Ziel von 1000 Einheiten pro Stunde nicht erreichen. In einer solchen Situation besteht eine der Hauptprioritäten darin, den Wartungszyklus der betroffenen Maschine zu beschleunigen. Um dieses Stillstandsszenario zu verhindern, verfügen Sie möglicherweise über einen Wartungsplan und würden, wenn Sie Best Practices befolgen, eine zustandsbasierte Wartungsmethode einsetzen. Dabei werden mithilfe von Sensoren verschiedene Größen an einer Maschine gemessen, beispielsweise Temperatur und Vibration. Wenn ein bestimmter Grenzwert überschritten wird, werden Warnmeldungen verschickt und Sie wissen, dass ein bestimmtes Teil vor einem Geräteausfall ausgetauscht werden muss. 

Für die vorbeugende Wartung benötigen Sie ein Datenerfassungssystem, um unternehmenskritische Variablen zu erfassen und auf einem Computer zu speichern. Nach der Erfassung können Sie diese Datenpunkte mit festgelegten Schwellenwerten vergleichen, um festzustellen, wann eine Wartung erforderlich ist. Bis hierhin scheint es relativ einfach zu sein. Da jedoch Ersatzteile integriert sind, kann die Maschine mit zunehmendem Alter ein anderes Verhalten zeigen, was möglicherweise zu Fehlalarmen und unvorhergesehenen Betriebsproblemen führt. Dann stellen Sie fest, dass Sie über eine beträchtliche Datenmenge verfügen, einschließlich Qualitätskontrolldaten für das Endprodukt. An diesem Punkt können Sie einen Algorithmus für maschinelles Lernen implementieren, um alle diese Daten effektiv zu analysieren und mit Querverweisen zu versehen, sodass Ihr System autonom bessere Wartungsentscheidungen treffen kann. 

Das Beste daran ist, dass Lernmodelle skalierbar sind, da sie mit jeder Iteration mehr Daten erfassen und sich die Algorithmen für maschinelles Lernen insgesamt mit der Zeit verbessern. Aber das ist nicht die ganze Geschichte. Da Sie nun über einen sich weiterentwickelnden Algorithmus verfügen, haben Sie die Möglichkeit, ihn in Systeme zu implementieren, die autonom Entscheidungen treffen und sich im Laufe der Zeit verbessern. 

Bei der Betrachtung verschiedener Architekturoptionen besteht ein Ansatz darin, Datenlogger wie die CONPROSYS Familie von Contec zu verwenden, die Daten sammeln und dann senden diese Daten an einen Server zur Verarbeitung. Der Vorteil dieses Ansatzes besteht darin, dass die umfangreiche Datenverarbeitung auf einen zentralen Server verlagert wird. Ein erheblicher Nachteil besteht jedoch darin, dass beim Senden der Daten möglicherweise eine große Menge an Netzwerkverkehr entsteht. Mit zunehmendem Betriebsumfang kann dies aufgrund von Bandbreitenbeschränkungen zu Problemen und höheren Betriebskosten führen. Darüber hinaus wird die Fähigkeit, in Echtzeit auf kritische Aufgaben zu reagieren, durch Netzwerkverzögerungen vom und zum Server beeinträchtigt. 

Andererseits können wir auch ein PC-basiertes DAQ einsetzen System von Contec. Mit diesem System können Sie umfangreiche Algorithmen lokal ausführen, z. B. auf maschinellem Lernen basierende Inferenzen, und gleichzeitig die Daten direkt auf demselben System abrufen. Diese Fähigkeit bringt die Verarbeitung an den Rand und ermöglicht Ihnen eine Skalierung nach Bedarf, ohne eine Infrastruktur rund um Server aufbauen zu müssen. Ein interessanter Aspekt dieser PC-basierten DAQ besteht darin, dass Sie Remote-Datenlogger wie Conprosys-Produkte integrieren können, um eine hybride Plattformarchitektur zu erstellen. 

Jeder Algorithmus für künstliche Intelligenz oder maschinelles Lernen benötigt immer Daten, um nützlich zu sein. Hier ist die Motivation wichtig, die Datenerfassung zu verstehen, und es ist entscheidend, den richtigen Partner wie Contec zu finden, um in dieser Revolution erfolgreich zu sein. Das Wissen um Ihre Möglichkeiten und die Anwendung der besten Praktiken der Datenerfassung bilden den Grundstein dafür, das Beste aus der künstlichen Intelligenz herauszuholen.