Industrielle KI braucht eine ganzheitliche IT

Viele Industrieunternehmen haben bereits erste KI-Anwendungsfälle erfolgreich umgesetzt und gehen jetzt einen breiteren Rollout an. Aus Sicht von Dell Technologies sollten sie es dabei vermeiden, für einzelne Use Cases eigene, separate IT-Infrastrukturen zu implementieren. Solche Insellösungen sind meist kostspielig, ineffizient und können nur schlecht skalieren.

Besser ist es, stattdessen eine ganzheitliche IT-Plattform – auch als AI Factory bezeichnet – als gemeinsame Grundlage für alle aktuellen und zukünftigen Anwendungsfälle aufzubauen. So eine Plattform ermöglicht es Industrieunternehmen, Ressourcen besser zu nutzen und wiederzuverwenden, Kosten zu senken und KI agiler einzusetzen.

Eine solche Plattform muss jedoch in der Lage sein, die unterschiedlichen Anforderungen der KI-Anwendungen an den Ort und die Geschwindigkeit der Datenverarbeitung abzudecken. Dabei lassen sich drei wesentliche Klassen industrieller KI identifizieren:

1. KI für Trendanalysen
Beispiele dieser Anwendungsklasse sind Predictive Maintenance, Systeme zur Verbesserung des Energieverbrauchs oder Lösungen zur Optimierung des Produktionsflusses. Solche Anwendungen müssen Daten aus verschiedenen Quellen zusammenführen und sind nicht auf KI-Entscheidungen in Millisekunden angewiesen. Sowohl die zentrale Datenspeicherung als auch das Training der KI-Modelle und das Treffen der KI-Entscheidungen kann in der Cloud erfolgen – je nach Compliance-Anforderungen in einer Public oder Private Cloud. 

2. KI für Echtzeit-Entscheidungen
Zu dieser Klasse zählen Anwendungen wie die Bildverarbeitung zur Erkennung von Ausschuss, Systeme zur Optimierung von Prozessparametern oder Lösungen zur Echtzeitüberwachung von Maschinen. Die Entscheidungen dieser Anwendungen sind direkt in den Produktionsprozess integriert und dürfen deshalb nicht von externen Verbindungen abhängig sein. Darum erfordern sie eine dezentrale Datenspeicherung und das Treffen der Entscheidungen direkt an der Produktionsstätte. Das Training der KI-Modelle kann dagegen in der Cloud erfolgen.

3. Physical AI
Typische Anwendungen dieser Klasse sind selbstfahrende Transportfahrzeuge, Roboter, die ihre Umgebung wahrnehmen, oder industrielle Co-Piloten. Sie benötigen große Rechenleistung sehr nah an oder sogar in den Maschinen selbst, damit die KI ihre Entscheidungen in der nötigen Geschwindigkeit treffen kann. Durch das Weitertraining mit großen Mengen synthetischer Daten können sich die KI-Modelle dieser Anwendungen an neue Anforderungen anpassen. Das initiale Training sowie das Weitertraining können in der Cloud erfolgen, während die KI-Entscheidungen direkt am Shopfloor fallen müssen.

„Damit eine AI Factory alle diese unterschiedlichen Anforderungen abdecken kann, muss sie einen mehrstufigen Ansatz mit drei Ebenen verfolgen“, erklärt Dr. Stefan Muthmann, Field CTO bei Dell Technologies in Deutschland. „Sie kombiniert IT-Systeme am Shopfloor mit lokalen Rechenzentren an den Produktionsstätten und Private oder Public Clouds. Durch eine enge Vernetzung gewährleistet sie ein kontinuierliches Feedback zwischen diesen drei Ebenen und ermöglicht die Orchestrierung von Workloads über sie hinweg.“