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 nachvollziehbar. Auch bei der Vorbereitung von Trainingsdaten unterstützt das KI-Vision-Studio den Anwender in Zukunft. 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, aber sauberen 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 anderen KI-Verfahren, nur relativ wenige Trainingsdaten benötigt. Für eine bessere Nachvollziehbarkeit sorgt unter anderem eine Heatmap-Visualisierung der KI-Aufmerksamkeit direkt im KI-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. 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 KI-Vision damit auch bei Anwendungen mit hohen Taktraten ermöglicht. Was bei der Verbreitung von KI-Vision jedoch am meisten hilft, sind Unternehmen, die schon erfolgreiche Projekte umgesetzt haben und anderen davon erzählen. Wenn Sie sich davon überzeugen möchten, wie einfach KI-Vision Anwendungen unterstützen kann, besuchen Sie IDS auf der Vision 2022 – und erzählen Sie es dann weiter.
