SKAL ENHVER AI-ENHED VÆRE FORBUNDET TIL SKYEN?

For få år siden var langt de fleste applikationer, der anvendte kunstig intelligens, baseret på en simpel funktionsmodel. Data fra sensorer blev sendt til en server eller skyen, hvor de blev analyseret af en AI-model, hvorefter resultatet blev sendt tilbage til enheden. Denne løsning fungerede i mange anvendelser, men havde også sine begrænsninger – den krævede konstant netværksforbindelse, skabte forsinkelser og krævede overførsel af store datamængder.

I dag ser situationen helt anderledes ud.

Udviklingen af mere effektive mikrokontrollere, energieffektive embedded systemer og maskinlæringsmodeller optimeret til edge-enheder har gjort det muligt at behandle data lokalt, direkte hvor inputdata genereres.

Det er netop her, konceptet Edge AI bygger på.

I stedet for at sende al information til en ekstern server analyserer den intelligente enhed data selvstændigt og reagerer straks. I mange applikationer betyder det kortere svartid, større pålidelighed og mulighed for at fungere selv når internetforbindelsen ikke er tilgængelig.

INTELLIGENS BEHØVER IKKE ALTID BETYDE SKYEN
Forestil dig en luftkvalitetssensor der arbejder i en produktionshal.

Dens opgave er at overvåge koncentrationen af støv og flygtige kemiske forbindelser. Når den opdager, at et fastlagt niveau overskrides, skal den straks aktivere ventilationssystemet og underrette operatøren.

For ikke så længe siden så et typisk scenarie således ud:

sensor → sky → AI-model → beslutning → enhed.

Hvert målte data skulle sendes til et eksternt system, hvor analysen foregik. Først efter analysens afslutning modtog enheden besked om yderligere handling.

I dag foregår denne proces ofte helt anderledes.

AI-modellen kører direkte på enheden. Data forlader ikke det lokale netværk, og beslutningen træffes straks efter målingen.

Denne tilgang anvendes ikke kun i industrien. Den ses også i stigende grad i smarte bygninger, IoT-enheder, miljøovervågningssystemer og moderne forbrugerelektronik.

HVAD ER EGENTLIG EN LOKAL AI-AGENT?
Selvom udtrykket AI Agent vinder stor popularitet, betyder det i embedded-enheders kontekst noget meget simplere end de mangetrins systemer, som kendes fra generativ kunstig intelligens.

Det kan anskues som et program, der selvstændigt kan observere omgivelserne, analysere indkommende data og træffe beslutninger ud fra et defineret mål.

Det vigtigste er, at hele processen foregår lokalt.

Agenten behøver ikke at sende hver måling til en server eller vente på svar fra skyen. Den fortolker selv information fra sensorer, vurderer situationen og udfører passende handlinger i overensstemmelse med en defineret algoritme.

Afhængigt af anvendelse kan det være:

at starte ventilation,
opdage unormal maskineadfærd,
ændre driftsparametre for enheden,
sende besked til operatøren,
oprette en hændelse i overordnet system.
Det er netop denne evne til selvstændigt at træffe beslutninger, der gør, at man i stigende grad taler om intelligente agenter, som kører direkte på end-enheder.

Hvordan fungerer en lokal AI-agent?

Selvom lokale AI-agenter kan udføre mange forskellige opgaver, er deres arbejdsprincip ens. Enheden modtager data fra omgivelserne, analyserer dem ved hjælp af en maskinlæringsmodel, træffer en beslutning og – hvis nødvendigt – udfører en bestemt handling.

I praksis kan denne proces skitseres i få trin:

Indlæsning af data fra sensorer eller andre kilder.
Foreløbig databehandling.
Analyse ved hjælp af AI-model.
Beslutningstagning.
Udførelse af passende handling eller videreformidling af information til overordnet system.
I modsætning til traditionelle cloud-baserede løsninger foregår hele processen lokalt. Det betyder, at enheden ikke behøver at vente på svar fra serveren, hvilket gør, at den kan reagere næsten øjeblikkeligt.

HVORFOR VINDER EDGE AI FREM?
Muligheden for lokalt beslutningstagning medfører en række fordele, som er vigtige både i industrielle anvendelser og IoT-projekter.

De vigtigste er:

Fordel Betydning
Kort svartid beslutninger træffes straks efter data modtages
Fungere uden internetadgang enheden kan arbejde i isolerede netværk eller helt offline
Reduceret netværkstrafik kun forbehandlede analyseresultater sendes, ikke rå data
Større dataprivatliv information forbliver på enheden eller i det lokale netværk
Bedre skalerbarhed hver enhed analyserer egne data uden at overbelaste servere
Det betyder naturligvis ikke, at cloud-løsninger mister betydning. I mange anvendelser er de stadig det bedste valg, især når der er behov for analyse af meget store datamængder eller træning af maskinlæringsmodeller. Men beslutningsprocessen flyttes i stigende grad til end-enhederne.

HVOR KAN LOKALE AI-AGENTER ANVENDES?
Selvom betegnelsen «AI Agent» oftest forbindes med generative kunstig intelligens-applikationer, har en lignende kontekst også relevans inden for elektronik og automation.

Lokale AI-agenter kan bl.a. understøtte:

overvågning af maskintilstand og anomali-detektion,
billedanalyse i AI Vision Inspection systemer,
styring af IoT-enheder,
intelligente energistyringssystemer,
miljøovervågning,
bygautomatisering,
robotik og autonome enheder.
I hver af disse applikationer erstatter agenten ikke hele styringssystemet. Den er ansvarlig for dataanalyse og beslutningstagning inden for et specifikt område og videregiver derefter resultatet til operatøren eller samarbejdende enheder.

FRA ENKELT ENHED TIL INTELLIGENT ØKOSYSTEM
En af de største fordele ved Edge AI er muligheden for gradvist at udvide projektet.

Det første trin kan være en enkelt sensor, der analyserer data lokalt. Over tid kan flere enheder kobles til systemet, som selvstændigt udfører egne opgaver og samtidig samarbejder med et overordnet system.

Denne metode muliggør opbygning af distribuerede systemer, hvor hver enhed er ansvarlig for sin egen dataanalyse. Dermed forbliver løsningen skalerbar, og udvidelse af infrastrukturen kræver ikke centralisering af hele beregningsprocessen.

ARDUINO UNO Q SOM PLATFORM FOR EDGE AI-APPLIKATIONER

Udvikling af lokale AI-agenter ville ikke være mulig uden passende hardwareplatforme. En enhed, der arbejder i kanten af netværket, skal ikke bare kunne kommunikere med sensorer og andre systemdele, men også have tilstrækkelig regnekraft til at udføre maskinlæringsmodeller med lavt strømforbrug.

Netop til sådanne anvendelser har Arduino udviklet platformen UNO Q. I kampagnen «Oplev praktiske anvendelser af Edge AI med Arduino UNO Q» demonstrerer producenten, at mange applikationer med kunstig intelligens kan køre lokalt – uden at sende al data til skyen.

Dermed kan UNO Q fungere som en intelligent node, der analyserer information fra sensorer, kameraer eller andre enheder, og derefter træffer beslutninger og kun sender resultater videre til overordnet system.

Denne tilgang er særligt velegnet til demonstrationer, Proof of Concept projekter samt første implementeringer med Edge AI.

HVORDAN SER EN TYPISK LØSNINGARKITEKTUR UD?
Selvom den konkrete konfiguration afhænger af applikationen, ligner funktionsmodellen for en lokal AI-agent meget hinanden.

Sensorer / Kamera
│
▼
Arduino UNO Q
│
Foreløbig databehandling
│
Maskinlæringsmodel
│
Beslutningstagning
│
├── Enhedsstyring
├── Operatørnotifikation
└── System PLC / SCADA / IoT
Denne arkitektur adskiller dataanalyse fra det overordnede system. Enheden udfører beregninger lokalt og sender kun oplysninger videre, som er nødvendige for yderligere handlinger.

HVOR SKAL MAN STARTE?
Ligesom ved overvågning af maskintilstand eller AI Vision Inspection systemer er det også her bedst at starte med et lille pilotprojekt.

Et godt udgangspunkt kan være en enhed, som allerede i dag udfører simple målinger eller styrer en bestemt proces. Tilføjelse af lokal dataanalyse gør det muligt gradvist at udvide dens funktionalitet uden at ombygge hele infrastrukturen.

Et eksempel på en arbejdsplan kunne være:

Definere problemstillingen, som enheden skal løse.
Vælge passende sensorer eller datakilder.
Forberede og teste AI-modellen.
Integrere modellen med embedded platformen.
Teste i reelle arbejdsmiljøer.
Udvide løsningen med flere funktioner eller enheder.
Denne tilgang reducerer projektets risiko og giver samtidig erfaring, som er nødvendig for mere komplekse applikationer.

HVILKE KOMPONENTER ER NØDVENDIGE?
Arduino UNO Q platformen er den centrale del af løsningen, men effektiviteten af systemet afhænger også af valg af øvrige komponenter.

Afhængig af projektets art kan det være:

Komponent Anvendelse
Arduino UNO Q lokal dataanalyse og kørselsmaskinlæringsmodeller
Sensorer datakilde til modellen
Kommunikationsmoduler kommunikation med enheder og overordnede systemer
HMI Display visning af resultater og meddelelser
Strømforsyning stabil enhedsstrøm
Kabler, stik og kapslinger bygning af komplet løsning
Med TMEs brede sortiment kan alle elementer til opbygning af en demonstrator eller prototype købes samlet et sted og derefter udbygges i takt med nye behov.

Se TMEs katalog

OPSUMMERING
For få år siden blev kunstig intelligens primært forbundet med kraftfulde servere og skybaserede tjenester. I dag kan flere modeller arbejde direkte på embedded enheder, analysere data lokalt og træffe beslutninger i realtid.

Det betyder ikke, at sky-løsninger bliver unødvendige. I mange tilfælde er de stadig en vigtig del af infrastrukturen. Men intelligensen flytter sig ofte tættere på enhederne – der hvor data genereres og hurtig respons er vigtig.

Platforme som Arduino UNO Q viser, at opbygning af Edge AI-applikationer ikke behøver være kompliceret eller kræve store investeringer. Start med en lille demonstrator for at afprøve konceptet, få praktisk erfaring og gradvist udvide løsningen i takt med brugerens behov.

Køb Arduino UNO Q 2GB

Køb Arduino UNO Q 4GB

OPLEV FLERE ANVENDELSER AF ARDUINO UNO Q
Lokale AI-agenter er kun et eksempel på brugen af Arduino UNO Q platformen. Se også, hvordan den kan anvendes til:

Condition Monitoring og maskinvibrationsanalyse,
AI Vision Inspection og automatisk kvalitetskontrol.
Besøg siden “Oplev praktiske anvendelser af Edge AI med Arduino UNO Q”
Kilde: https://www.tme.eu/dk/da/news/library-articles/page/78912/skal-enhver-ai-enhed-vaere-forbundet-til-skyen/