Sameer Wasson ist mit diesem Beitrag im E&E-Kompendium 2020 als einer von 100 Machern der Elektronikwelt vertreten. Alle Beiträge des E&E-Kompendiums finden Sie in unserer Rubrik Menschen.
Die einstmals vorprogrammierte und strukturierte Automatisierung hat sich weiterentwickelt: Maschinen können jetzt in Echtzeit erfassen, was um sie herum vorgeht, um auf intelligente, funktionssichere, geschützte und autonome Weise darauf zu reagieren. Die Technik, die all dies möglich macht, bezeichnet man als „Machine Learning“, also maschinelles Lernen. Diese Teildisziplin der Künstlichen Intelligenz macht Maschinen, die früher so etwas wie einfache Köche waren, zu Chefköchen. Um sie allerdings zu echten Sterneköchen zu machen, fehlt noch das gewisse Etwas.
Die Signalverarbeitungstechnik hat sich mit der Zeit immer weiterentwickelt, und es sind immer mehr Machine-Learning-Features hinzugekommen. Somit ist jetzt der Weg frei für Fortschritte in der Detektierung von Fahrzeuginsassen, in der intuitiven Interaktion zwischen Mensch und Maschine sowie in weiteren Bereichen, ohne jedes Mal auf eine Verbindung zur Cloud angewiesen zu sein.
KI in Autos und auf Maisfeldern
Edge-Intelligenz in künftigen Autos wird beispielsweise in der Lage sein, ein Objekt in der Nähe zu erfassen und als Fußgänger zu klassifizieren. Die Maschine lernt in Echtzeit aus dieser Erfahrung und wertet Daten aus, wie etwa die Zeit, die zwischen dem Erkennen des Objekts und der Reaktion des Fahrzeugs vergeht, um diese mit nach und nach zu verbessern. Stellt man sein Auto dann abends in der heimischen Garage ab, nimmt es Verbindung mit der Cloud auf und teilt sein Wissen mit der gesamten vernetzten Flotte.
Übertragen wir diese Technik nun auf den Maisanbau. Die Sämaschinen sind hier so programmiert, dass sie etwa alle 15 cm ein Saatkorn ablegen. Nun sind aber die Bodenverhältnisse nicht überall gleich, sodass sich die Pflanzen nicht alle gleichmäßig entwickeln. Manchmal wäre es besser, die Saatkörner tiefer oder in größeren Abständen abzulegen.
Mithilfe eingebauter Intelligenz könnte die Sämaschine den Boden auf seine Feuchtigkeit, seinen Nährstoffgehalt oder andere Parameter untersuchen, bevor das Saatkorn in den Boden eingebracht wird. Die Maschine könnte dann prognostizieren, wie viele Samen sich erfolgreich entwickeln, um diese Daten in die Cloud hochzuladen, damit die Landwirte Aussagen über ihren voraussichtlichen Ernteertrag erstellen können.
Maschinelle Unterstützung beim Einkaufen
Auch das Einkaufen könnte künftig anders ablaufen. In Läden, die bei der Automatisierung des Einzelhandels ganz vorn dabei sind, können die Kunden beim Betreten der Geschäftsräume ihr Telefon scannen. Kameras und Sensoren in den Regalen können die in den Einkaufswagen gelegten Artikel erfassen und diese dem Kunden beim Verlassen des Ladens automatisch in Rechnung stellen.
Hierfür ist es derzeit noch notwendig, Daten aus möglicherweise einigen hunderttausend Läden in die Cloud hochzuladen, damit sie von Machine-Learning-Algorithmen verarbeitet werden können. Diese enormen Datenmengen können eine beträchtliche Herausforderung darstellen. Anders ist es mit den mmWave-Sensoren und -Prozessoren von TI. Diese Sensoren, die präzise Echtzeit-Entscheidungen und Verarbeitungsfunktionen in einem Chip integrieren, machen es möglich, die Daten direkt vor Ort, also noch im Laden aufzubereiten, um das Datenaufkommen zu reduzieren.
Geschwindigkeit als nächstes Problem
Die Grenze zwischen Edge und Cloud wird mit der Zeit höchst interessant werden. Das nächste zu lösende Problem wird in der Geschwindigkeit bestehen, mit der die Technik schnell, wiederholt und konsistent bestimmen kann, welche Daten in die Cloud übertragen werden müssen, um aussagefähige Informationen zurückzubekommen.
Während wir an intelligenten Edge-Lösungen für die Automatisierung arbeiten, werden die Maschinen in unserer Umgebung weiter dazu beitragen, unser Leben komfortabler, effizienter und sicherer zu machen.
