Het gebruik van kunstmatige intelligentie in het Industrial Internet of Things (IIoT)-domein is een complex en snel evoluerend fenomeen. In de afgelopen paar jaar zijn AI-gebruiksscenario's en toepassingen die bijna onmogelijk te schalen of te duur waren, nu op grote schaal gebruikt.
Het fascinerende aan de manier waarop de mensheid de AI-markt benadert, is dat deze wordt aangedreven door uitzonderlijk getalenteerde ontwikkelaars die gebruikmaken van open-sourcetools en open-sourcegemeenschappen. Wat hier in het spel komt, is een evolutionaire eigenschap die de mens zo'n unieke soort op de planeet maakt; ons vermogen om van elkaar te leren en van elkaar te leren. Duke-professor en psycholoog Michael Tomasello beschreef ratelen voor het eerst als een metafoor om te beschrijven hoe wanneer een generatie een nieuwe eigenschap, tool of techniek leert, deze vervolgens doorgeeft aan alle toekomstige generaties; net als wanneer je een ratel draait, elke keer dat je een positieve richting inslaat, vergrendelt de ratel en krijg je altijd die verbetering. Als je achteruit gaat, verlies je niets van je voorwaartse momentum dankzij de AI-gemeenschap.
De AI-community is zo open met hun gegevens, tools en methoden, de community ontwikkelt zich in een ongelooflijk tempo en die innovaties vergroten onze collectieve kennis en capaciteit bijna dagelijks. AI wordt sterk beïnvloed door open-sourcegemeenschappen – in plaats van door een klein aantal bedrijven met unieke IP die zich verzetten tegen het gebruik ervan door anderen – boekt het veld zeer snel fantastische vooruitgang in vergelijking met hoe andere industrieën en technologieën zich doorgaans ontwikkelen. De AI-gemeenschap publiceert gegevens, methoden, resultaten en code op een open manier en deelt bronnen die ontwikkelaars binnen enkele dagen kunnen gebruiken.
PyTorch en Open Source-gemeenschappen
Een goed voorbeeld – vrij zeldzaam in de menselijke geschiedenis – is het AI-framework PyTorch. Het bestond een paar jaar geleden nog niet eens. Binnen enkele dagen nadat het in de open source-gemeenschap was geïmplementeerd, converteerden ontwikkelaars over de hele wereld naar PyTorch en deelden ze verhalen (en grappige memes en tweets op sociale media) over hoe het hun AI-ontwikkelingsinspanningen ten goede kwam. Het werd al snel een van de toonaangevende frameworks die door AI-ontwikkelaars over de hele wereld werden gebruikt. Wanneer hebben we in de geschiedenis van de mensheid zulke doorbraken gezien, een stroomversnelling van innovatie gemeten in weken of zelfs maar dagen? De drukpers was een technologie die in China werd uitgevonden en gedurende honderden jaren in Europa werd verfijnd. De industriële revolutie duurde 80 jaar. Grote doorbraken in de AI-revolutie die we vandaag meemaken, worden gemeten in slechts enkele weken of dagen van uitvinding tot massale replicatie.
Innovaties in AI worden verspreid in een open, gemeenschappelijke benadering, een ontwikkelaar in India kan binnen een paar uur profiteren van de innovaties van een ontwikkelaar in Seattle – of Roemenië of Rusland of China. Dat is wat de enorme versnelling voedt die we in de markt zien, de democratisering van AI-innovaties.
Een goed voorbeeld zijn de zichtmogelijkheden op de vloer van fabrieken over de hele wereld. De stand van de techniek is verder gegaan dan traditionele vergelijkende beeldanalyses, waarbij een bekend referentiebeeld wordt vergeleken met een ander beeld om afwijkingen op pixelniveau te vinden die mogelijk defecten vertegenwoordigen. In het verleden rapporteerde de applicatie defecten aan een mens voor analyse en een mens zou elke anomalie afzonderlijk moeten bevestigen of classificeren.
Hoewel dat misschien eenvoudig klinkt, kan een uitdaging bij het implementeren van op visie gebaseerde analyses op de fabrieksvloer zich voordoen wanneer de verlichting inconsistent is. Het menselijk oog kan gemakkelijk corrigeren voor verschillende lichtomstandigheden. Afbeeldingen die door de camera worden verzameld, kunnen echter natuurlijk variëren in intensiteit en contrast als de achtergrondverlichting ook varieert. We hebben schaaluitdagingen waargenomen door fabrieken die AI probeerden in te zetten voor defectdetectie op basis van exact dezelfde hardware, software en algoritme die op verschillende machines op de fabrieksvloer werden ingezet. Soms duurde het maanden voordat fabrieksmanagers en datawetenschappers erachter kwamen waarom ze geweldige resultaten behaalden op de ene machine met hoge nauwkeurigheid, lage fout-positieve en fout-negatieve percentages, terwijl op de volgende machine de AI-toepassing crashte.
De oorzaak in sommige gevallen was simpelweg omdat een machine natuurlijke lichtinvloed had van een dakraam en de machine ernaast niet. De machine met het dakraam had een slechtere nauwkeurigheid bij het detecteren van valse defecten, die werd beïnvloed door zonnige dagen versus bewolkte dagen. Andere machines hadden variaties op basis van de dichtheid van verlichtingsarmaturen die boven de machine hingen.
Het proces en de methoden van sensorbeheer werden niet goed begrepen, en de gevoeligheid die sensorbeheer heeft voor het AI-proces werd ook niet begrepen. De industrie moest uitvinden hoe ze een gammacorrectiemechanisme kon creëren, een fotondichtheid-agnostische benadering van detectie.
In plaats van de traditionele vergelijkingen van het ene statisch beeld met het andere statisch beeld, gebruiken we nu technieken die enigszins lijken op de evolutionaire eigenschappen die worden gebruikt door de fotoreceptoren in onze ogen en neuronen in onze hersenen om beeldinformatie te verwerken. Met de komst van deep learning-technieken worden algoritmen ontwikkeld met het vermogen om lichtvariaties te absorberen en gamma-intensiteitsverschillen gedurende de dag of van locatie tot locatie te neutraliseren.
Vijf jaar geleden was er misschien een doctoraat voor nodig in wiskunde om het soort beeldvergelijkingen te kunnen doen dat een direct beschikbaar deep learning-algoritme tegenwoordig kan doen.
Maar er zijn nog genoeg uitdagingen bij het opschalen naar verschillende markten. Hoe maken we deze nieuwe deep learning-technieken mainstream, op manieren die gemakkelijk toegankelijk en bruikbaar zijn? Hoe integreren managers een AI-mogelijkheid op een fabrieksvloer of in aangrenzende markten zoals in een winkel, een implementatie van slimme steden, terwijl het een realiteit is dat relatief weinig mensen bekwaam zijn in geavanceerde datawetenschap?
De toetredingsdrempel is hoe je de output van een model kunt nemen – zelfs als het een open-sourcemodel is dat goed is afgesteld en zeer robuust is – en dat op een fabrieksvloer in te zetten op een manier dat alle machines in de fabriek kan er baat bij hebben. We moeten er ook voor zorgen dat de output van dat AI-model vervolgens kan communiceren met de gevarieerde infrastructuur op een fabrieksvloer.
De uitdaging is dat de innovatiecyclus een gesloten lus moet worden: het inzetten van een artificial intelligence-algoritme en vervolgens leren de informatie op te nemen en een actie uit te voeren die waarde toevoegt. Als de actie van het AI-algoritme is om de fabrieksmanager te sms'en en te zeggen: 'Ik heb een defect gevonden', helpt dat niet zo veel. Als de output van het kunstmatige-intelligentiealgoritme met de machine communiceert en deze vertelt deze of gene parameter aan te passen zodat het defect niet langer optreedt, is dat echte en blijvende waarde.
Intel's Edge Insights en de OpenVINO Toolkit
Om deze problemen aan te pakken heeft Intel Edge Insights-software en de OpenVINO-toolkit ontwikkeld voor bedrijven die AI willen toepassen in de industrie, de detailhandel, slimme steden, stationaire en mobiele robotica en andere sectoren.
We hebben kant-en-klare, gecontaineriseerde analysepijplijnen ontwikkeld voor het soort gelijktijdige tijdreeksen en videoworkloads die in industriële toepassingen worden aangetroffen. Dit alles in een eenvoudig te implementeren, eenvoudig aan te passen microservices-framework. De software ondersteunt de versnelling en distributie van analyses op Intel's CPU's, GPU's, FPGA's (veldprogrammeerbare poortarrays), VPU's (videoverwerkingseenheden) en Optane-geheugen. Hoewel beeld- en videogegevens een snel groeiend deel uitmaken van de gegevens die in fabrieken over de hele wereld worden gegenereerd, blijkt uit onze observaties en brancherapporten dat meer dan 70% van de gegevens die van een fabrieksvloer komen, tijdreeksgegevens zijn. Inkomstentrends en omzetprognoses per use case-type in het Tractica-rapport van 2019 over “Artificial Intelligence for Smart Manufacturing Applications” laat zien dat zowel beeld-/video- als tijdreeksgegevens met indrukwekkende snelheden groeien, wat de komende jaren zou moeten versnellen. Bedrijven hebben dus tools nodig die het gemakkelijk maken om analyses uit te voeren op zowel tijdreeksen, beeld/video als audio-workloads.
Het gebruik van de volledig geïntegreerde GPU's in de meeste Intel-processors is een zeer efficiënte manier om beeld- en videoverwerkingsoplossingen te implementeren met uitzonderlijke prestaties per watt. Voor de 70% procent of meer gegevens die op tijdreeksen zijn gebaseerd, kan een CPU veel efficiënter zijn. Voor sommige workloads kunnen CPU's zelfs orden van grootte efficiënter zijn in het verwerken van tijdreeksgegevens dan grafische processors. Het gebruik van geïntegreerde GPU's en CPU's in combinatie biedt enorme voordelen wanneer AI wordt ingezet in situaties waarin tijdreeksen en beeld-/videogegevens gelijktijdig worden verwerkt.
Eén Intel Core i7-apparaat op een industriële pc kan de rekenkracht leveren flexibiliteit die nodig is voor veel industriële toepassingen, waarbij zowel de AI- als besturingsmogelijkheden die nodig zijn voor machines en video-interfaces worden beheerd, allemaal in robuuste vormfactoren die geen koelventilatoren nodig hebben, en tegen een fractie van de kosten van een enkele afzonderlijke GPU en een fractie van het energiebudget. Dat niveau van software- en hardwareprestaties was vijf jaar geleden ongehoord, maar we hebben die mogelijkheden nu direct beschikbaar.
Ga voor meer informatie naar: Intel® Edge Software Hub
Een videozelfstudie bekijken: https://www.intel.com/content/www/us/en/internet-of-things/industrial-iot/edge-insights-industrial.html
Brian McCarson
Vice President en Senior Principal Engineer, Industrial Solutions Division Systems Engineering and Architecture Team, Internet of Things Group, Intel
