Es ist Zeit für KI
AI-Vision als anwenderfreundlicher Baukasten
KI-basierte Bildverarbeitung wird die Wettbewerbsfähigkeit vieler Unternehmen aus unterschiedlichen Bereichen verbessern. Wer bereits getestet und erste Anwendungen umgesetzt hat, ist davon begeistert, wie schnell damit gute Ergebnissen erzielbar sind. Doch leider wird AI-Vision noch nicht flächendeckend evaluiert und in neue Projekte eingeplant. Denn ganz so intuitiv und einfach nutzbar, wie oftmals von Herstellern beschrieben ist es dann meistens doch (noch) nicht! Und selbst wenn man für KI-basierte Bildanalysen kein Bildverarbeitungsprofi mehr sein muss, ist die Bereitstellung ausreichender Trainingsdaten zeit- und kostenaufwändig. Zudem erfordert es ein gewisses Verständnis dafür, wie daraus vertrauensvolle Schlussfolgerungen entstehen und diese zu bewerten sind. Nur wenn die Benutzerfreundlichkeit einer KI erhöht wird und ihre schwer einschätzbaren Ergebnisse erklärbarer sind, wird auch das Vertrauen und die Akzeptanz in AI-Vision steigen.
Mit IDS NXT hat IDS ein solches AI-Vision-Ökosystem aus Hardware- und Softwarekomponenten entworfen, das neben Machine Learning auch den kompletten Anwendungsworkflow intuitiv abbildet. Lösungen werden somit zeit- und kostensparend umsetzbar.
AI-Vision in der Cloud
Mit dem AI-Vision-Studio IDS lighthouse können erste Gehversuche mit AI-Vision unternommen, die Tauglichkeit von KI-Methoden für eigene Anwendungen getestet, aber auch Vision Apps erstellt werden, mit denen IDS NXT Kameras komplexe Aufgaben lösen. Dazu ist keine Einarbeitung bzw. Einrichtung einer Entwicklungsumgebung notwendig. Dies ermöglicht den einfachen Einstieg, inkl. Durchführung und Inbetriebnahme eines individuellen AI-Vision Systems. Dafür wird die komplette Programmierung hinter einfach verständlichen Oberflächen und Tools versteckt, die alle Phasen einer AI-Vision Entwicklung abdecken.
Mehr Hilfen, schnelles Labeln
Schon beim Projektstart hilft ein Anwendungsassistent mit einer Art Interview-Modus bei der Aufgabenidentifizierung, die benötigten KI-Methoden auszuwählen und ein passendes Vision App Projekt vorzubereiten. Wer es individueller möchte kann mit dem blockbasierten Editor individuelle Prozessabläufe aus vorgefertigten Funktionsblöcken per Drag&Drop in Sequenzen zusammenstecken, ohne sich dafür mit plattformspezifischer Programmierung oder der speziellen Syntax einer Programmiersprache auseinandersetzen zu müssen. Das eröffnet eine höhere Flexibilität in der Anwendungsbeschreibung und macht die Abläufe gleichzeitig leicht nachvollziehbar.
Datenmanager inklusive
Auch bei der Vorbereitung von Trainingsdaten wird das AI-Vision-Studio den Anwender in Zukunft weiter unterstützen. Durch eine Labeling-Automatik lassen sich importierte Bilddaten und spezifische Inhalte mit ROIs schneller in Datensätze mit passenden Labels organisieren. Das wird helfen, Datensätze mit Bildinhalten zu erweitern, um damit Netze durch Weitertrainieren stetig zu verbessern.
Weniger Daten, mehr Vertrauen
Die Bereitstellung ausreichender Daten in ausgewogener Anzahl für alle zu trainierenden Klassen ist oft aufwändig. Da gerade Fehlerfälle in allen möglichen Formen auftreten können, herrscht oft ein Ungleichgewicht von GUT- und SCHLECHT-Teilen. Daher ist es wichtig, Lösungen anzubieten, die mit weniger Trainingsdaten in der Vorbereitung auskommen. So profitieren Anwender neben Klassifikation und Objekterkennung in Zukunft von der Anomalie-Detektion, die alle bekannten sowie unbekannten Fehlerfälle identifiziert, die außerhalb der normalen Abweichungen eines GUT-Teils liegen. Dafür werden, im Vergleich zu den anderen KI-Verfahren, nur relativ wenige Trainingsdaten benötigt. Kurzgefasst, alles was einem Mensch auffallen würde, der sich längere Zeit damit beschäftigt, wie Objekte "typischerweise" aussehen, kann auch von einem KI-System mit Anomalie-Erkennung identifiziert werden. Die Anomalie-Detektion ist somit ein weiteres nützliches Instrument zur Unterstützung von Qualitätskontrollen, indem manuelle Sichtkontrollen reduziert und gleichzeitig Fehler im Produktionsprozess früh erkannt und vermieden werden können.
Verständliche KI
Für eine bessere Nachvollziehbarkeit sorgt unter anderem eine Heatmap-Visualisierung der KI-Aufmerksamkeit direkt im AI-Vision-Studio. Dazu werden beim Training spezielle Netzmodelle verwendet, die bei der Evaluierung von Testdatensätzen eine Art Wärmebild erzeugen. Es hebt diejenigen Bildbereiche hervor, die vom neuronalen Netz die meiste Aufmerksamkeit bekommen und dadurch die Schlussfolgerungen und die Performance beeinflussen. Durch falsche oder zu wenig repräsentative Trainingsbilder kann die KI auch auf ungewollte Merkmale sensibilisiert werden. Schon ein versehentlich eintrainiertes Produktlabel kann die Ergebnisse verfälschen. Die Ursache eines solchen "falschen" Trainings nennt man Daten-Bias.
Das trägt dazu bei, Vorbehalte gegenüber KI-basierten Entscheidungen abzubauen und die Akzeptanz im industriellen Umfeld zu erhöhen.
Ausblick
IDS entwickelt das KI-System ständig weiter und legt dabei besonderen Fokus auf Bedienkomfort und Zeitersparnis. Damit wird KI schneller flächendeckend, auch in KMUs, einsetzbar werden. Auch Hardware-seitig wird die IDS NXT Kamerafamilie durch eine leistungsfähigere Hardwareplattform verstärkt, die neuronale Netze deutlich schneller ausführen kann und AI-Vision damit auch bei Anwendungen mit hohen Taktraten ermöglicht. Was bei der Verbreitung von AI-Vision jedoch am meisten hilft, sind Unternehmen, die schon erfolgreiche AI-Vision-Projekte umgesetzt haben und anderen davon berichten können.
Weiterführende Infos
- Auf der Produktwebseite finden Sie weitere Informationen zur Embedded Vision KI Plattform IDS NXT.
- Im Fachbeitrag "KI für alle" erfahren Sie mehr über den einfachen Einstieg in Deep Learning-Technologie mit IDS NXT.
- In unseren Webinar-Videos "XCITING NEW EASYNESS" und "How to build custom vision apps with the block-based editor" zeigen wir, wie individuelle Inferenzaufgaben mit dem neuen Block-basierten Editor in wenigen Minuten realisiert und in unserem Edge-System ausgeführt werden können.