Sparse Modeling: Schlanke und dennoch leistungsstarke KI für Embedded Systems

Ein Problem in der Fertigungs ist, dass sich die Umgebungsbedingungen ständig verändern. Das ist eine Herausforderung für Inspektionssysteme, da sie anfällig für Fehlalarme sind. Zudem verursachen sie Fehler, wenn sie an neue Umgebungsbedingungen und Fertigungsanforderungen angepasst werden müssen. In solchen Fällen muss immer auf menschliche Inspektoren zurückgegriffen werden. Doch diese Ressourcen sind begrenzt und die manuelle Inspektion von erkannten Fehlern kostet Zeit und Geld. Aus diesem Grund wollen Prüfsystementwickler künstlicher Intelligenz (KI) in ihre Systeme implementieren. Allerdings ist klassische KI kein Allheilmittel, da sie umfangreiche Trainingsdaten benötigt. Solche Daten sind jedoch nur begrenzt verfügbar, da eine Qualitätsproduktion nicht darauf ausgelegt ist, große Mengen an fehlerhaften Komponenten zu produzieren, um damit KI-Systeme zu trainieren. Erschwerend kommt hinzu, dass die für KI-Trainings erforderliche Rechenleistung nicht in jedem Inspektionssystem untergebracht werden kann. Eine Lösung für dieses Problem bietet der KI-Ansatz „Sparse Modeling“, der aus dem akademischen Umfeld kommend nun seinen Weg in den betrieblichen Alltag finden soll. Diese neue Art der KI benötigt nur einen kleinen Satz von Daten und kann damit selbst auf Embedded Plattformen mit sehr geringer Leistungsaufnahme (ultra-low power) sowohl KI-Trainingsaufgaben als auch Inferenzalgorithmen ausführen. Erste Testkits für Sparse Modeling basierte KI sind bereits verfügbar und können als Stand-alone Lösung oder als Ergänzung zu bestehenden Bildverarbeitungslösungen eingesetzt werden, um zusätzlich auch die Bilder zu analysieren, die vom bestehenden System als „nicht gut” identifiziert wurden.

Du willst mehr über Sparse Modeling und KI in Embedded Systemen wissen? Downloade unser Whitepaper