KI-Beschleuniger bestehen aus einer Architektur, die sich die grundlegenden Eigenschaften neuronaler Netzwerke zunutze macht. Dadurch können Edge-Geräte Deep-Learning-Anwendungen effizient und effektiv in vollem Umfang ausführen. Somit eröffnen Beschleuniger neue Möglichkeiten, energieeffiziente Echtzeit-Intelligenz in verschiedenen Anwendungen und Branchen zu nutzen, wie beispielsweise in der industriellen Automatisierung, in Smart Cities, im Automotive-Bereich, in der Sicherheit und dem Einzelhandel. KI-Beschleuniger wie die Hailo-8-Serie sind entscheidend, da sie eine
kosteneffiziente Möglichkeit bieten, Edge-Geräte mit erheblicher Rechenleistung „upzugraden“, sodass sie KI-Aufgaben mit hoher Genauigkeit, geringer Latenz und minimalem Stromverbrauch ausführen können.
Intelligente Edge-Geräte spielen eine wichtige Rolle in der Fabrik- und Logistikautomatisierung und helfen Herstellern, ihre Prozesse zu optimieren, Kosten zu sparen und die Produktion zu steigern, ohne dabei Qualität und Sicherheit zu beeinträchtigen. Von intelligenten Zeilenkameras zur Fehlererkennung bis hin zu autonomen Robotern, die in der Fabrikhalle navigieren, ist die KI-Verarbeitung in Industrie-4.0- Lösungen von zentraler Bedeutung. Speziell entwickelte KI-Beschleuniger, die für raue Umgebungen und Skalierbarkeit konzipiert sind, bringen leistungsstarke Fähigkeiten in Industriekameras und in kompakte Industrie-PCs ein. Solche Beschleuniger bieten neuronale Bildverarbeitung mit niedriger Latenz, hoher Auflösung und Bildrate bei sehr hoher Effizienz und geringem Stromverbrauch.
Solche Lösungen können für eine Vielzahl von industriellen Automatisierungs- und Bildverarbeitungsaufgaben eingesetzt werden. Beispiele sind Inspektionen und Analysen für Anwendungen wie die automatische optische Inspektion (AOI), Prozesssteuerung, maschinelle Bearbeitung und die Roboterführung. Durch den Einsatz hochauflösender Kameras und fortschrittlicher Bildverarbeitungsalgorithmen können AOI-Systeme jedes einzelne hergestellte Bauteil schnell und genau prüfen und identifizieren. Die geringe Latenz und die hohe Durchsatzrate der Verarbeitung, die durch Beschleuniger wie unsere Prozessoren ermöglicht wird, beseitigt Engpässe in der Analyse und ermöglicht es Maschinen, mit voller Geschwindigkeit und maximaler Produktivität und Betriebszeit zu betreiben, ohne dass die Qualität darunter leidet. Unsere Kunden nutzen die Prozessoren für zahlreiche Aufgaben wie optische Zeichenerkennung (OCR), Sortierung, Pick & Place, Qualitätskontrolle und vieles mehr. Die Prozessoren werden auch für autonome Fahrzeuge und Roboter eingesetzt. Hier geht es darum, dass die Objekterkennung und -klassifizierung, Routenplanung und Navigation, Hindernisvermeidung und -räumung, komplexe Mustererkennung und vieles mehr bewältigt werden kann. Nur so arbeiten die Maschinen mit voller Leistung, ohne Arbeiter oder Fertigungsprozesse zu gefährden.
Hailo hat in enger Zusammenarbeit mit MVTec ein Plugin entwickelt, das eine schnelle und einfache Integration der KI-Beschleunigung mit MVTec HALCON ermöglicht. Wir sehen bereits mehrere Kunden, die bahnbrechende Produkte entwickeln, die auf den leistungsstarken Deep-Learning Inferenzmöglichkeiten aufbauen, und die durch dieses Plugin ermöglicht werden.
Da sich KI schnell weiterentwickelt und immer neue Möglichkeiten zur Produktivitätssteigerung mittels Bildverarbeitungsanwendungen eröffnet, erwarten wir, dass immer fortschrittlichere Deep-Learning- Algorithmen für höhere Genauigkeit und schnellere Erkennung eingesetzt werden.
Wir entwickeln KI-Beschleuniger für komplexe Bildverarbeitungsanwendungen, die für eine effiziente Fertigung erforderlich sind. Unsere Beschleuniger unterstützen bereits modernste neuronale Netzwerkmodelle sowie Vision Transformers (ViT), die neuartigsten und fortschrittlichsten Bildverarbeitungsalgorithmen. Mit Blick auf die nicht allzu ferne Zukunft erwarten wir das Aufkommen generativer AI „on the edge“, was eine Vielzahl neuer Möglichkeiten eröffnen wird, insbesondere im Bereich der Mensch-Maschine-Schnittstellen (HMI).
Derzeit stützt sich die generative KI auf Cloud-Rechenzentren zur Verarbeitung, was Herausforderungen in Bezug auf Bandbreite, Kosten und Datenschutz mit sich bringt. Im Zuge der Entwicklung verschiedener Anwendungen für generative KI könnte die Cloud zu einem Bottleneck werden, insbesondere in Szenarien wie Fahrerassistenz, Videokonferenzen und Sicherheit, in denen die ständige Datenübertragung Datenschutzbedenken aufwirft.
Die Lösung liegt darin, Geräte in die Lage zu versetzen, generative KI „on the edge“ einzusetzen. Neben der Bewältigung von Konnektivität- und Datenschutzproblemen reduziert Edge AI den Bandbreitenbedarf und verbessert die Anwendungsleistung. Dieser lokalisierte Ansatz gewährleistet leistungsstarke Ergebnisse mit geringen Latenzzeiten, insbesondere bei Anwendungen wie Sicherheit, Robotik und maschineller Bearbeitung, bei denen Cloud-Verbindungen nicht ausreichen.
