Die perfekte KI-Technologie

Zeljko Loncaric ist Marketing Engineer beim Technologieunternehmen congatec. In Ausgabe 4/19 von Fabriksoftware stellt er einen neuen Ansatz im Bereich der künstlichen Intelligenz vor: Sparse Modeling.

Herr Loncaric, für welche Anwendungen eignet sich der Einsatz künstlicher Intelligenz gut und wo weniger?

Künstliche Intelligenz ist ein extrem breites Feld, das vom Rechenzentrum mit Deep Learning bis zum Endgerät reicht. Wir als Embedded Computing Spezialisten betrachten KI vor allem unter dem Gesichtspunkt der Edge-Logik, die durchaus schon sehr leistungsfähig sein muss, aber bei Baugröße und Stromaufnahme auch großen Beschränkungen unterliegt.

 

Wo liegen die Probleme beim Einsatz von KI in Embedded Systeme?

Die Herausforderungen, die zu meistern sind, liegen im Energieverbrauch. Wir können in der Regel keine Hochleistungsrechenzentren an unsere Embedded Systeme anschließen, die beispielsweise in industriellen Inspektionssystemen, bildgebenden Medizingeräten oder videobasierten Kassensystemen zum Einsatz kommen. Hier braucht man Lösungen, die komplett auf dem dezentralen Device installiert und im Idealfall auch trainiert werden können.

 

Der Ansatz, für den Sie sich aussprechen ist Sparse Modeling. Was versteht man darunter? Und warum passt er Ihrer Meinung nach besser dafür?

Im Zuge der Suche nach besonders ressourcenschonender KI sind wir auf Sparse Modeling gestoßen. Sparse Modeling braucht nur wenige Bilder für die Entwicklung passender Inferenz-Algorithmen und ist auch in der vorgelagerten Bildanalyse extrem ressourcenschonend, da nur der Teil des Bildes analysiert wird, den man vorab als analysewürdig identifiziert hat.

 

Welche Erfahrungen habe Sie persönlich mit Sparse Modeling gemacht?

Erste Tests der Hacarus Lösung haben gezeigt, dass Sparse Modeling im industriellen Bereich bei gleicher Genauigkeit nur ein Prozent der Energie einer herkömmlichen Deep Learning-Plattform verbraucht. Sie ist damit die perfekte KI-Technologie für Embedded Systeme, die vor Ort Künstliche Intelligenz trainieren und anwenden.

 

 

Den Beitrag Weniger ist mehr – Sparse Modeling: schlanke und dennoch leistungsstarke KI für Embedded Systeme finden Sie hier.