Data analyseren waar ze worden gegenereerd

Met platforms zoals Arduino UNO Q hoeft het bouwen van edge AI-applicaties geen gecompliceerd project meer te zijn dat forse investeringen vergt. Starten met een kleine demonstrator maakt het mogelijk om aannames te verifiëren, praktische ervaring op te doen en de oplossing geleidelijk te ontwikkelen volgens de gebruikersbehoeften.

Nog maar enkele jaren geleden was het merendeel van de toepassingen die kunstmatige intelligentie gebruikten gebaseerd op een eenvoudig werkschema. Gegevens van sensoren werden naar een server of de cloud gestuurd, waar ze door een AI-model werden geanalyseerd, en vervolgens keerde het resultaat terug naar het apparaat. Deze oplossing had zo zijn beperkingen. Naast de noodzaak voor een permanente netwerkverbinding waarover vaak grote hoeveelheden data moesten worden verstuurd kon je ook niet altijd uitgaan van de gewenste reactietijden.

Vandaag de dag ziet de situatie er heel anders uit. De ontwikkeling van krachtigere microcontrollers, energiezuinige embedded systemen en machine learning-modellen die geoptimaliseerd zijn voor edge-apparaten, maakt het mogelijk om het dataverwerkingsproces lokaal uit te voeren, direct op de plaats waar de invoergegevens worden gegenereerd.

Bij edge AI analyseert het slimme apparaat de gegevens zelfstandig en reageert er direct op. Dit betekent in veel toepassingen kortere reactietijden, grotere betrouwbaarheid en de mogelijkheid om te functioneren zelfs wanneer er geen internetverbinding beschikbaar is.

Luchtkwaliteitsensor kan zonder de cloud

Een voorbeeld van zo’n edgetoepassing is een luchtkwaliteitsensor in een productiehal. De sensor monitort de concentraties van stofdeeltjes en vluchtige chemische stoffen. Wanneer de sensor een overschrijding van een vooraf ingestelde drempel detecteert, moet die onmiddellijk het ventilatiesysteem inschakelen en de operator waarschuwen.

Tot voor kort zag een typisch scenario er als volgt uit:

sensor → cloud → AI-model → besluit → apparaat

Elke meting moest in die situatie naar een extern systeem worden verzonden voor analyse. Pas daarna ontving het apparaat informatie over de verdere actie.

Tegenwoordig verloopt dit proces steeds vaker geheel anders. Het AI-model draait rechtstreeks op het apparaat. Gegevens verlaten het lokale netwerk niet en beslissingen worden onmiddellijk na de meting genomen.

Deze benadering wordt niet alleen in de industrie toegepast. Steeds vaker zien we het ook in slimme gebouwen, IoT-apparaten, milieubewakingssysteem en moderne consumentenelektronica.

Wat is een lokale AI-agent?

De term AI-agent betekent in de context van embedded apparaten iets veel eenvoudigers dan de systemen die bekend zijn uit de generatieve kunstmatige intelligentie. Je kunt de AI-agent zien als een programma dat zelfstandig zijn omgeving kan observeren, binnenkomende gegevens kan analyseren en beslissingen kan nemen volgens een vooraf bepaalde doelstelling.

Het belangrijkste is dat het hele proces lokaal plaatsvindt. De agent hoeft niet elke meting naar een server te sturen of te wachten op een reactie uit de cloud. Hij interpreteert zelf informatie afkomstig van sensoren, beoordeelt de situatie en voert volgens een bepaald algoritme een passende actie uit.

Afhankelijk van de toepassing kan dit bijvoorbeeld zijn:

  • Het inschakelen van ventilatie.
  • Het detecteren van ongebruikelijk gedrag van een machine.
  • Het aanpassen van parameters van een apparaat.
  • Het versturen van een melding aan de operator.
  • Het registreren van een gebeurtenis in het bovenliggende systeem.

Juist deze mogelijkheid tot zelfstandig beslissen zorgt ervoor dat steeds vaker gesproken wordt over intelligente agents die direct op eindapparaten draaien.

Werking van een lokale AI-agent

Hoewel lokale AI-agents diverse taken kunnen uitvoeren, blijft hun werkingsprincipe vergelijkbaar. Het apparaat ontvangt gegevens uit de omgeving, analyseert ze met behulp van een machine learning-model, neemt een beslissing en – indien nodig – voert een bepaalde actie uit.

In de praktijk kan dit proces in enkele stappen worden weergegeven:

  1. Gegevens uitlezen van sensoren of andere bronnen.
  2. Voorbewerken van informatie.
  3. Analyse met het AI-model.
  4. Beslissing nemen.
  5. Uitvoeren van een actie of doorgeven van informatie aan het bovenliggende systeem.

In tegenstelling tot klassieke cloudgebaseerde oplossingen vindt het hele proces lokaal plaats. Dit betekent dat het apparaat niet hoeft te wachten op een serverantwoord, waardoor het vrijwel onmiddellijk kan reageren.

Steeds meer edge AI

De mogelijkheid om lokaal beslissingen te nemen brengt diverse voordelen met zich mee, die van belang zijn in zowel industriële toepassingen als IoT-projecten.

De belangrijkste zijn:

  • Korte reactietijd: beslissingen worden onmiddellijk na het ontvangen van gegevens genomen.
  • Werkt zonder internettoegang: het apparaat kan ook functioneren in een geïsoleerd netwerk of volledig offline.
  • Minder netwerkverkeer: indien nodig worden vooraf verwerkte analyseresultaten verzonden in plaats van ruwe meetgegevens.
  • Grotere privacy van gegevens: informatie blijft op het apparaat of in het lokale netwerk.
  • Betere schaalbaarheid: elk apparaat analyseert zijn eigen gegevens zonder servers te overbelasten.

Dit betekent natuurlijk niet dat cloudoplossingen minder relevant worden. In veel toepassingen blijven ze de beste keuze, vooral wanneer analyse van zeer grote datasets of het trainen van machine learning-modellen noodzakelijk is. Steeds vaker wordt het besluitvormingsproces echter direct naar de eindapparaten verplaatst.

Toepassingen

Lokale AI-agents kunnen onder andere ondersteunen bij:

  • Het bewaken van machinecondities en het detecteren van anomalieën.
  • Beeldanalyse in AI Vision-inspectiesystemen.
  • Het aansturen van IoT-apparaten.
  • Intelligente energiemanagementsystemen.
  • Milieumonitoring.
  • Gebouwautomatisering.
  • Robotica en autonome apparaten.

In elk van deze toepassingen vervangt de agent niet het volledige besturingssysteem. Hij is verantwoordelijk voor de data-analyse en het nemen van beslissingen over een specifieke taak en geeft vervolgens het resultaat door aan de operator of andere samenwerkende apparaten.

Van een enkel apparaat tot een intelligent ecosysteem

Een van de grootste voordelen van edge AI is de mogelijkheid om het project stapsgewijs uit te breiden. De eerste stap kan een enkele sensor zijn die de gegevens lokaal analyseert. Na verloop van tijd kunnen aan het systeem meer apparaten worden toegevoegd die zelfstandig hun taken uitvoeren en tegelijkertijd samenwerken met het bovenliggende systeem.

Met deze aanpak kunnen gedistribueerde systemen worden opgebouwd waarin elke unit verantwoordelijk is voor de analyse van zijn eigen data. Hierdoor blijft de oplossing schaalbaar en is het uitbreiden van de infrastructuur niet afhankelijk van het centraliseren van het gehele rekenproces.

Platform voor edge AI-toepassingen

De ontwikkeling van lokale AI-agents zou niet mogelijk zijn zonder geschikte hardwareplatforms. Een apparaat dat op het edge-netwerk werkt, moet niet alleen communiceren met sensoren en andere systeemcomponenten, maar ook voldoende verwerkingskracht hebben om machine learning-modellen uit te voeren met een laag energieverbruik.

De UNO Q 2GB heeft 2 GB RAM, 16 GB eMMC en een ingangsspanning van 7-24 VDC.

Speciaal voor toepassingen als deze heeft Arduino het UNO Q-platform ontwikkeld. Dankzij UNO Q, die er is als UNO Q 2GB (met 2 GB RAM, 16 GB eMMC en 7-24 VDC ingangsspanning) en UNO Q 4GB (met 4 GB RAM, 32 GB eMMC en 5 VDC ingangsspanning), kan een intelligent knooppunt informatie van sensoren, camera’s of andere apparaten analyseren, beslissingen nemen en alleen de resultaten doorgeven aan het bovenliggende systeem. Deze aanpak is ideaal voor het bouwen van demonstrators, proof of concept-projecten en vroege implementaties van edge AI.

Klein beginnen

Net als bij het monitoren van machinecondities of AI vision inspectiesystemen is het hier het beste om te starten met een klein pilotproject. Een goed uitgangspunt kan een apparaat zijn dat al eenvoudige metingen uitvoert of een bepaald proces aanstuurt. Het toevoegen van lokale data-analyse maakt het mogelijk om de functionaliteiten geleidelijk uit te breiden zonder de gehele infrastructuur te hoeven herbouwen.

Een voorbeeld van een werkplan zou er als volgt uit kunnen zien:

  1. Bepalen van het probleem dat het apparaat moet oplossen.
  2. Selectie van de juiste sensoren of gegevensbronnen.
  3. Voorbereiding en testen van het AI-model.
  4. Integratie van het model met het embedded platform.
  5. Tests onder reële arbeidsomstandigheden.
  6. Uitbreiding van de oplossing met extra functies of apparaten.

Deze aanpak helpt het projectrisico te beperken en tegelijkertijd de noodzakelijke ervaring op te doen voor complexere toepassingen.

De UNO Q 4GB heeft 4 GB RAM, 32 GB eMMC en een ingangsspanning van 5 VDC.

Benodigde componenten

Het Arduino UNO Q-platform vormt het centrale onderdeel van de oplossing, maar de effectiviteit van het gehele systeem hangt af van de juiste keuze van aanvullende componenten.

Afhankelijk van het projecttype kunnen dit zijn:

  • Arduino UNO Q: lokale data-analyse en uitvoering van AI-modellen.
  • Sensoren: gegevensbron voor het model.
  • Communicatiemodules: communicatie met apparaten en bovenliggende systemen.
  • HMI-display: weergave van resultaten en berichten.
  • Voeding: stabiele voeding voor het apparaat.
  • Kabels, connectors en behuizingen: bouw van de complete oplossing.

Lees hier het originele artikel op de site van TME.

Contactgegevens
AdresCroy 7
Postcode en plaats
5653 LC Eindhoven
Telefoon040-7370457
Meer informatieInformatie aanvragen
Dossiers

Geef een reactie

Je e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *