Produktmanagement im Technologiesektor – Tipps zu den Themen Produktmanagement und Innovation. Von Andreas Rudolph
In diesem Jahr war die künstliche Intelligenz ein Schwerpunktthema auf der embedded world. Ein größerer Teiltrend ist hierbei, daß die KI zunehmend in die Geräte wandert („KI on the edge“), und daß damit die Anwendung trotz gesteigerter Leistungsfähigkeit der Geräte mit weniger Rechenleistung auskommen muss, als sie bei den cloudbasierten Systemen zur Verfügung steht.
Die Gründe für die Verlagerung der KI in die Geräte sind vielfältig. Manche Hersteller sagten mir, dass sich viele Unternehmen aus Sicherheitsgründen davor scheuen, ihre Daten in die Cloud zu laden, und es bevorzugen, so viel wie möglich lokal zu bearbeiten. Hier werden dann nur noch trainierte Modelle in die Cloud gelegt. Dort werden diese lokalen Modelle dann über den Ansatz des federated learning nachbearbeitet, und das geänderte Gesamtmodell wird auf die Geräte zurückverteilt.
Bei anderen Anwendungsfällen sprechen Verbindungsprobleme für eine solche lokale Lösung. So steht für manchen Anwendungsfall in der freien Natur schlicht keine zuverlässige Internetverbindung zur Verfügung. Man will zudem Daten sammeln, hat aber oft garnicht die Energie zur Verfügung, um die Daten permanent in die Cloud zu schicken, wo man dann KI Modelle mit diesen Daten trainiert. Intelligente Sensoren und lokale KI Modelle helfen dabei, dass nur noch relevante Daten transferiert werden müssen, d.h die Bandbreitenanforderungen sinken merklich.
Bei wieder anderen Anwendungen kommt es darauf an, dass sich die intelligenten Systeme geänderten Umweltbedingungen anpassen, d.h aus lokalen Daten lernen, um das zu leisten, was der Anwendungsfall erfordert. Bei solchen Anwendungen kommt man nicht mehr mit einer reinen lokalen Interferenz aus, während das Lernen in der Cloud stattfindet. Vielmehr benötigt man Lernzyklen direkt auf den Geräten, die die entsprechenden Daten erheben.
Inzwischen existieren eine Vielzahl von Boards in unterschiedlichen Technologien, und Entwicklungsplattformen, die dem Entwickler die notwendige Grundlagen bieten, um seine Anwendung in die Praxis umzusetzen. Um nur einige bekannte Vertreter zu nennen, bieten sich die Jetson Boards aus dem Hause NVIDIA, der neural Stick von Intel, oder auch die FPGAs aus dem Hause Xilinx für solche Aufgaben an. Arduino und Raspberry Pi sind ebenfalls denkbar.
Viele der Boards laufen mit ARM Technologien. Die BeagleBone® Gerätefamilie, die von der BeagleBoard® Foundation entwickelt werden, verwendet demgegenüber die Sitara Prozessoren aus dem Hause Texas Instruments. Diese Boards zeichnen sich durch gute Leistungsparameter aus, sind hard- und softwareseitig relativ komplett ausgestattet, und funktionieren „out-of-the-box“ als embedded Linux Rechner. Notwendige Funktionen können über sogenannte Capes nachgerüstet werden. Dabei handelt es sich um aufsteckbare Erweiterungsplatinen.
Die Leistungsparameter und Ausstattungsmerkmale dieser Boards sowie die verfügbaren Capes finden Sie über den weiter unten angegebenen Link.
BeagleBone® Black, BeagleBone® Green und der kleinere PocketBeagle® existieren schon länger. Ganz neu ist der BeagleBone® – AI, der für KI Anwendungen prädestiniert ist, und Ende 2019 verfügbar gemacht wurde.
Bei diesem Board sind neben den technischen Leistungsparametern besonders die folgenden Features von Interesse:
Auf der embedded world 2020 wurde das neue BeagleBone® AI gezeigt, und dazu passende Demos, wie ein Roboter, dessen Greifarm über eine intelligente Kamera gesteuert wurde, die in der Lage war, die Position der zu greifenden Objekte mittels KI zu erkennen.
Über die Homepage finden Sie neben den Leistungsparametern begleitende Informationen zu dem neuen Board, wie Dokumentation, Schulungsvideos, und Beiträge in den Foren. Teilweise befindet sich die Information noch im Aufbau. Vieles von dem, was man zum Starten benötigt ist jedoch schon da.
Wie mir der Entwickler des Boards sagte, ist die Leistungsfähigkeit des Prozessors vergleichbar mit der des Raspberry PI, und die Verarbeitungsgeschwindigkeit für KI Anwendungen vergleichbar mit der des NVIDIA Jetson Nano.
Ein gutes Beginnerprojekt wird in dem anliegenden Artikel „TIDL on BeagleBone AI“ behandelt. Dieser Artikel beschreibt, wie man eine Kamera anschliesst, und Bilderkennung per KI implementiert. Ein ähnliches Projekt existiert für die NVIDIA Jetson Reihe (siehe „Real-Time Object Detection in 10 Lines of Python on Jetson Nano“) und erlaubt direkte Vergleiche zwischen beiden Lösungen.
Das Original dieses Artikels ist auf →Der Produktmanager erschienen (©Andreas Rudolph). Folgeartikel zum Thema gibt es über die (→Mailingliste), oder indem Sie →mir auf Twitter folgen.
Quelle für das Artikelfoto: NuernbergMesse. Nutzung entsprechend der Regelungen für Pressearbeit zur Messe.
In der Online Version des Artikels finden Sie hier die versprochenen weiterführenden Links:
Ich arbeite seit vielen Jahren in der Softwareentwicklung für Unternehmensanwendungen bei der SAP SE. Dieser Blog ist privat, und die Meinungen sind meine eigenen. Sie sind hier richtig, wenn sie sich für Praxiserfahrungen im Produktmanagement für Investitionsgüter interessieren.
High Def WordPress Theme by Graph Paper Press
Subscribe to entries
Subscribe to comments
All content © 2024 by Der Produktmanager
