Pourquoi avons-nous besoin de l’intelligence artificielle ?
Les systèmes de traitement d’image traditionnels utilisent des algorithmes basés sur des règles qui offrent une grande fiabilité pour les tâches répétitives. En raison du déroulement toujours identique des étapes du processus, seuls de faibles écarts sont tolérés. Dès que la variance des images augmente, par exemple en raison de variations naturelles de l’objet, telles que les nuances de couleur, les formes ou les conditions ambiantes changeantes telles que les conditions d’éclairage, l’application devient de plus en plus complexe et peut par conséquent devenir non économique. Dans le cas contraire, la variance a un impact direct sur la précision ou les performances de l’algorithme. Cela entraîne des erreurs de décision du système de traitement d’image basé sur des règles, telles que des pièces correctes rejetées (également appelées pseudo-rejets) ou des pièces défectueuses non détectées (également appelées glissements). Le traitement d’image industriel a toujours pour objectif de les minimiser.
Les technologies d’IA élargissent les possibilités d’utilisation de la vision industrielle en tolérant les variations dans les données d’image, ce qui permet, par exemple, d’identifier de manière fiable les erreurs irrégulières. Ils augmentent la rentabilité grâce à des taux de détection plus robustes avec une grande variance et réduisent les obstacles à l’entrée dans la vision industrielle, car il n’est plus nécessaire d’avoir une connaissance approfondie des algorithmes.
L’intelligence artificielle est le terme générique qui désigne les technologies qui permettent aux machines de résoudre différentes tâches de manière autonome, souvent inspirées par la pensée et l’apprentissage humains. L’apprentissage automatique (également appelé « Machine Learning ») est un sous-domaine de l’IA dans lequel les algorithmes ne sont pas programmés de manière rigide, mais apprennent des modèles et des relations à partir de données d’exemple. Au lieu de définir chaque règle manuellement, le système « apprend » lui-même comment traduire les entrées en sorties. Le Deep Learning est une forme spécialisée d’apprentissage automatique basée sur des réseaux neuronaux artificiels avec de nombreuses couches de traitement (« deep » = profond). Cette architecture permet d’identifier des modèles très complexes et de fournir des résultats précis, même dans des conditions variables.
Deep Learning
Machine Learning
Intelligence artificielle
Quels sont les avantages de l’utilisation de l’IA dans le contrôle qualité ?
Malgré le traitement d’image basé sur des règles, le contrôle qualité dans les processus est souvent encore effectué manuellement par l’homme, car la grande variété d’erreurs est souvent difficile, voire indétectable. Dans ce cas, l’utilisation de systèmes de traitement d’image assistés par l’IA est judicieuse.
| Problèmes liés au contrôle manuel | Solution grâce aux avantages du traitement d’image basé sur l’IA |
|---|---|
| Évaluation incohérente de la qualité | Évaluation cohérente et répétable basée sur de grands ensembles de données |
| Plage d’attention limitée | Utilisation 24 h/24 et 7 j/7 sans fatigue |
| Documentation complexe des décisions | Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité |
| Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée | Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite |
|
Problèmes liés au contrôle manuel
|
|||
|---|---|---|---|
|
Évaluation incohérente de la qualité
|
Plage d’attention limitée
|
Documentation complexe des décisions
|
Augmentation des coûts de main-d’œuvre, pénurie de personnel et formation élevée
|
|
Solution grâce aux avantages du traitement d’image basé sur l’IA
|
|||
|
Évaluation cohérente et répétable basée sur de grands ensembles de données
|
Utilisation 24 h/24 et 7 j/7 sans fatigue
|
Enregistrement automatique des images avec représentation par carte thermique et valeur de score pour la traçabilité
|
Évolutif indépendamment de la disponibilité du personnel, faible obstacle à l’entrée grâce à une formation réduite
|
L’IA remplace-t-elle le traitement d’image basé sur des règles ?
L’IA étend les possibilités du traitement d’image industriel, mais ne remplace que très rarement complètement les solutions basées sur des règles éprouvées. La combinaison du traitement d’image basé sur des règles et sur l’IA étend la polyvalence de la vision industrielle. L’IA permet de réaliser des tâches d’inspection qui seraient trop fastidieuses ou peu rentables avec une évaluation basée sur des règles.
Quand les systèmes d’imagerie basés sur des règles et quand les systèmes IA sont-ils utilisés ?
L’approche basée sur des règles des systèmes de traitement d’image traditionnels reste une solution éprouvée pour les tâches d’inspection par vision. Les technologies d’IA élargissent les domaines d’application du traitement d’image industriel. Malgré différents algorithmes, les capacités des deux technologies se chevauchent de nombreuses fois.
Généralement, une combinaison d’outils basés sur des règles et sur l’IA est utilisée. Par exemple : La localisation basée sur des règles avec suivi des pièces et découpe de l’objet à inspecter est combinée à la classification des défauts basée sur l’IA. Pour finir, le défaut est mesuré sur la base de règles.
Applications types
Traitement d’image basé sur des règles
| Mesure, tâches de mesure |
| Lecture de code |
| Alignement et positionnement précis (également Robot Vision, Robot Guidance) |
Combinaisons et chevauchements
| Inspection, détection des défauts |
| Identification (lecture de code, OCR/reconnaissance de caractères) |
| Localisation d’objets et de caractéristiques (également Robot Vision, Robot Guidance) |
Traitement d’image basé sur l’IA
| Détection d’objet très variables ou de défauts |
| OCR difficile (par ex. mauvaise qualité d’impression, arrière-plans variables) |
| Localisation d’objets à forte variance |
| Classification (par ex. des matériaux ou des textures) |
Quelles technologies d’IA sont utilisées dans le traitement d’images ?
Clasificación
La clasificación asigna una imagen a una o más clases predefinidas. Se distingue entre Multi-Class y Multi-Label.
Multi-Class: una clase por imagen, p. ej., “tornillo”
o clasificación de fallos con clases mutuamente excluyentes: “OK” (sin defectos) o “NOK” (defectuoso). Queda excluida una clasificación simultánea en ambas clases.
Multi-Label: posibilidad de varias clases por imagen, p. ej., “tornillo”, “clavo”
o clasificación de errores con etiquetas independientes: “abolladura” y “arañazo”. Un objeto puede tener una abolladura, un arañazo, ambos o ninguno de los dos, ya que estas clases no se excluyen mutuamente.
Detección de objetos
La detección de objetos localiza y clasifica varios objetos en la imagen mediante marcos delimitadores, los llamados Bounding Boxes. Para cada objeto encontrado, indica a qué clase pertenece y dónde se encuentra exactamente en la imagen. Hay que distinguir entre la detección de objetos “paralela a los ejes” (como se puede ver en la imagen) y la “orientada”. En la detección de objetos orientados, los cuadros delimitadores están alineados con el objeto y describen el Bounding Box más pequeño posible.
Segmentación
Asigna una clase a cada píxel individual de la imagen para la delimitación exacta de objetos (p. ej., clavo, tornillo, fondo) o defectos (p. ej., defectos de pintura).
Nota: Además de los modelos de IA habituales, cada vez hay más modelos de IA entrenados para una aplicación específica, como Deep OCR. El reconocimiento óptico de caracteres con Deep OCR utiliza redes neuronales entrenadas en grandes cantidades de imágenes de texto para extraer letras y números. A diferencia del OCR clásico, permite la detección precisa de texto dinámico con tamaños de fuente variables y diferentes fondos, incluso con impresiones y etiquetas con un diseño específico.
¿Qué es un modelo de IA?
Los modelos de IA son modelos asistidos por ordenador inspirados en el cerebro humano. Se componen de neuronas artificiales que procesan información y están conectadas entre sí mediante ponderaciones. Una ponderación es un valor numérico que determina el grado en que una señal de entrada afecta a la neurona.
Un modelo de IA está estructurado en capas: La “Input Layer” recibe los datos sin procesar (p. ej., imágenes). En las “Hidden Layers” se detectan automáticamente las características, y la “Output Layer” toma una decisión basada en ellas.
Durante el entrenamiento, el modelo de IA compara sus predicciones con la verdad fundamental y ajusta gradualmente las ponderaciones. Este proceso de aprendizaje se repite en muchos ejemplos hasta que el modelo de IA detecta patrones de forma fiable.
Un modelo de IA está estructurado en capas: La “Input Layer” recibe los datos sin procesar (p. ej., imágenes). En las “Hidden Layers” se detectan automáticamente las características, y la “Output Layer” toma una decisión basada en ellas.
Durante el entrenamiento, el modelo de IA compara sus predicciones con la verdad fundamental y ajusta gradualmente las ponderaciones. Este proceso de aprendizaje se repite en muchos ejemplos hasta que el modelo de IA detecta patrones de forma fiable.
Modelo de IA o red neuronal: ¿cuál es la diferencia?
No todos los modelos de IA son una red neuronal. El término “modelo de IA” es un término genérico para muchos tipos de algoritmos, incluidos árboles de decisiones, modelos estadísticos y redes neuronales. Estos últimos son una forma de modelos de IA especialmente adecuados para tareas complejas como el reconocimiento de imágenes o el procesamiento de voz. Sin embargo, los términos “red neuronal” y “modelo de IA” se utilizan a menudo como sinónimos.
No todos los modelos de IA son una red neuronal. El término “modelo de IA” es un término genérico para muchos tipos de algoritmos, incluidos árboles de decisiones, modelos estadísticos y redes neuronales. Estos últimos son una forma de modelos de IA especialmente adecuados para tareas complejas como el reconocimiento de imágenes o el procesamiento de voz. Sin embargo, los términos “red neuronal” y “modelo de IA” se utilizan a menudo como sinónimos.
Input Layer
Hidden Layers
Output Layer
ONNX – le format d’échange universel
Le logiciel de traitement d’image uniVision 3 permet une intégration transparente des réseaux ONNX. GitHub vous permet également de quantifier votre réseau ONNX pour une utilisation sur le matériel wenglor.
wenglor AI Loop – comment fonctionne l’IA dans le traitement d’image industriel
Il est rare qu’un ensemble de données représentatif et complet d’une application soit disponible au début. Des modèles d’IA de haute précision et fiables sont créés grâce à l’extension continue des données et à la validation des réseaux une fois créés. Une approche centrée sur les données et les processus permet d’optimiser systématiquement et de maintenir la précision d’un modèle d’IA tout au long du cycle de vie d’un équipement d’inspection. Les données existantes sont à nouveau contrôlées ou de nouvelles données sont enregistrées et annotées.
Capture et téléchargement d’images
Annotation
Apprentissage et validation
Déploiement
La première étape, qui est essentielle pour l’approche centrée sur les données, consiste à capturer des images qui représentent l’application de la manière la plus représentative possible. Par la suite, de nouvelles images seront ajoutées en permanence.
Qu’est-ce qui est important lors de la création d’enregistrements appropriés ?
50 à 100 images réelles par classe peuvent suffire pour obtenir les premiers résultats pratiques. Les données doivent être bien sélectionnées, variées et cohérentes. De nombreuses données d’image ne signifient pas automatiquement de meilleurs modèles. L’objectif est d’obtenir, avec peu d’images mais de haute qualité, toute la dispersion naturelle des lots, des couleurs, des influences lumineuses, etc. pour créer une solution robuste et généralisable.
Exemple : Si une usine capture uniquement des images de cartes défectueuses à partir d’une machine dans des conditions d’éclairage spécifiques, le modèle d’IA pourrait apprendre à associer les défauts aux conditions particulières d’arrière-plan ou de luminosité de cette machine plutôt qu’aux caractéristiques réelles des défauts. Cette distorsion pourrait entraîner une classification incorrecte des défauts provenant d’autres machines ou dans d’autres conditions d’éclairage. En intégrant de multiples images provenant de différentes machines, conditions d’éclairage et angles de vue, le modèle d’IA apprend les caractéristiques réelles des défauts, garantissant ainsi une détection fiable dans tous les scénarios de production.
Une stratégie d’éclairage ciblée réduit la variance de l’image, augmente la précision du modèle et réduit le besoin d’images d’entraînement. Par exemple, il est possible d’obtenir la même précision avec seulement un quart de la quantité d’image en améliorant considérablement la qualité de l’image en choisissant le bon principe d’éclairage, la bonne couleur de lumière (longueur d’onde), un éclairage homogène et des filtres optiques.
Comme pour les systèmes de traitement d’image basés sur des règles, de mauvaises images entraînent une nette diminution de la précision du modèle’d’IA. Veillez à ce que les images soient nettes avec une profondeur de champ, un contraste et une cohérence suffisants dans la configuration (caméra, éclairage, optique).
Une résolution plus élevée montre plus de détails, mais nécessite plus de temps d’apprentissage et plus de ressources. Les images des jeux de données sont souvent réduites pour l’entraînement, par exemple à 320 × 320 pixels (image d’entrée de l’IA).
Important : La caractéristique décisive doit rester clairement identifiable, même dans cette résolution réduite. Ce qui est visible à l’œil nu peut généralement également être détecté par le modèle d’IA.
Les images doivent être réelles et, si possible, prises dans des conditions proches de la production. Prévoyez des variations naturelles, telles que des changements d’arrière-plan, des conditions d’éclairage légèrement différentes, de la poussière, du bruit ou de légers écarts de position pour rendre l’ensemble de données plus robuste. Cependant, un usinage intensif ou des pièces défectueuses fabriquées artificiellement peuvent entraîner des modèles d’apprentissage irréalistes. Il est également important d’éviter les erreurs systématiques, comme le fait que chaque pièce correcte ait un marquage, mais pas les pièces défectueuses. Veillez à ce que la configuration de la caméra, de l’éclairage et de l’optique soit identique.
Lors de l’apprentissage, utilisez uniquement la zone de l’image dans laquelle se trouve l’objet concerné ou l’emplacement du défaut. Cela évite que le modèle d’IA apprenne involontairement en arrière-plan ou que des détails importants soient sous-représentés de manière proportionnée. Le cropping permet d’obtenir des détails plus pertinents à faible résolution et de gagner du temps d’entraînement.
建议对所有类别（例如合格件、不合格件）进行均衡表示。失衡（例如 99% 合格和 1% 不合格）会导致人工智能模型失真，这些模型在应用中经常会忽略错误。平衡的数据库可防止人工智能模型的样本失真，并提高检测性能，即使在罕见的错误状况下也是如此。
增强是指通过旋转、放大（缩放）、失真、噪声或亮度变化等方式人工生成变体。由此可以扩展现有数据集，并为人工智能模型做好准备，以应对实际的散射，这对于小的数据集尤其重要，可快速实现更高的精度。
重要提示：增强必须保持真实和贴近应用，因为使用会大幅影响人工智能模型的平衡精度。例如，旋转可能是故障情况，因此不适用于每种应用。
重要提示：增强必须保持真实和贴近应用，因为使用会大幅影响人工智能模型的平衡精度。例如，旋转可能是故障情况，因此不适用于每种应用。
在第二步中对图像进行标注或标记。用户为每个图像指定一个所谓的基本事实，例如是合格件还是不合格件。
如何最大程度地减少标注过程的工作量？
为确保一致的标注，应将应用专家（如生产和质量控制）纳入到流程中。
“NOK”（不合格）和 “OK”（合格）的分类可能是主观的，因此在训练和进一步标注之前应注意明确区分类别。
提示：极限样本应有针对性地通过标注进行标记。因此，该信息可以在后续的网络验证中考虑在内。
提示：极限样本应有针对性地通过标注进行标记。因此，该信息可以在后续的网络验证中考虑在内。
在评估训练数据时，必须完全依赖图像，而不是实际对象。尽管原厂零件上的缺陷更容易识别，但对于人工智能模型来说，只有图像中可见的缺陷才重要。如果将来自真实对象的知识纳入其中，就会产生不一致性，因为人工智能模型以后也只使用图像信息工作。
维护带有清晰描述的故障类型和示例图像的缺陷目录有助于安全、可追溯地定义排除标准。如果定期更新，例如针对新的缺陷或产品，则便于知识传递以及整合额外的标注人员。
标签可以补充关键词，从而使数据集更清晰、更易于排序。例如，通过分配标签可以显示在哪个日历日和一天中的哪个时间记录了哪些数据，或者哪些数据被视为极限样本。
下一步是对人工智能模型进行训练或再训练。这里有各种不同的方法，一个数据集总是分为训练数据和测试数据。
接下来是人工智能模型的验证。人工智能通常被视为包含输入和输出的黑盒子，但没有明确的信息来验证人工智能模型。人工智能模型报告提供平衡精度（召回和精度）、错误预测、预计推导时间等信息，以帮助实现可追溯性。
关于人工智能模型可追溯性的技巧和诀窍
La matriz muestra con qué frecuencia las predicciones de un modelo de IA coinciden con las clases reales y dónde se producen los errores.
Consejo: Los motivos más comunes de las predicciones erróneas son una anotación incorrecta o una muestra límite. En este caso, es necesario adaptar la anotación y repetir el entrenamiento. El objetivo es minimizar las predicciones erróneas.
El Heatmap (mapa de calor) muestra qué área de la imagen resultó decisiva para predecir el resultado. La vista detallada permite sacar conclusiones sobre los errores en la anotación o la distorsión de la muestra. Esto garantiza una mayor transparencia y trazabilidad de los patrones de datos.
La predicción de un modelo de IA se basa en la denominada puntuación (Score), que indica lo seguro que está el modelo de IA a la hora de tomar una decisión. Lo decisivo no es obtener las puntuaciones más altas posibles en todos los casos, sino lograr una distinción clara entre casos seguros e inseguros: Las puntuaciones altas solo deben producirse en caso de resultados claros, mientras que unas puntuaciones deliberadamente más bajas tienen sentido en casos inseguros. De este modo, se evita que el modelo de IA decida “de forma incorrectamente segura” incluso en situaciones poco claras.
Tanto en el entrenamiento como en la inferencia del modelo de IA, la resolución de cada imagen de registro de datos se reduce antes de utilizarse como imagen de entrada de IA. Por tanto, compruebe si la característica relevante sigue siendo detectable. Si no es así, puede ser útil, por ejemplo, recortar más coherentemente o elegir una resolución más alta de la imagen de entrada de IA.
Existen diferentes métodos de validación para evaluar los modelos de IA. Normalmente, los registros se dividen en datos de entrenamiento, validación y prueba.
Nota: Especialmente para conjuntos de datos más pequeños, los usuarios se benefician de la robusta evaluación de la validación cruzada K-Fold. La elección de un método de validación inadecuado da lugar a evaluaciones poco fiables del modelo de IA.
- Los datos de entrenamiento se utilizan para entrenar el modelo de IA, y suelen representar entre el 70 y el 80 % de los datos.
- Los datos de validación se utilizan durante el entrenamiento para ajustar las ponderaciones y comprobar si el modelo de IA está sobreentrenado (Overfitting). Suelen representar entre el 10 y el 20 % de los datos.
- Los datos de prueba solo se utilizan para evaluar la calidad final del modelo de IA, y representan entre el 10 y el 20 % de los datos.
| Característica | Validación del Hold-out (retención) | Validación K-Fold-Cross (validación cruzada K-Fold) |
|---|---|---|
| Descripción | El conjunto de datos se divide una sola vez, p. ej., 80 % de entrenamiento/20 % de prueba | El conjunto de datos se divide en k partes, el modelo de IA se evalúa k veces con cada uno de los otros datos de prueba |
| Ventajas |
|
|
| Desventajas |
|
|
El modelo de IA ya entrenado se transfiere del entorno de entrenamiento a la plataforma de inferencia. A menudo, también en más de una instalación al mismo tiempo. Esta puesta en marcha inicial se denomina Deployment (despliegue) del modelo de IA.
¿Cómo se implanta la IA en la aplicación de procesamiento de imágenes?
KI effektiv und effizient zu nutzen, bedingt eine entsprechende Expertise, andernfalls wird die Implementierung sehr aufwendig. Mit dem AI Lab bietet wenglor eine intuitiv nutzbare Trainingsplattform zur Erstellung von KI-Modellen, welche nahtlos auf der leistungsstarken wenglor-Hardware ausgeführt werden können. Durch weHub können kontinuierlich Trainingszyklen durchlaufen und Datensätze fortlaufend mit relevanten neuen Daten erweitert werden.
Bei der Erstellung eines KI-Modells entscheidet sich der Anwendende zunächst für eine geeignete Netzarchitektur. Darauf aufbauend fällt anschließend die Wahl auf eine geeignete Trainingsplattform sowie das Tooling für die Ausführung. Das universell einsetzbare Austauschformat Open Neural Network Exchange (ONNX) für KI-Netze bietet als offener Standard die plattformübergreifende Nutzung von KI-Modellen. Die Machine Vision Software uniVision 3 ermöglicht die nahtlose Integration von KI-Modellen im ONNX-Fomat. Mit GitHub können Sie zudem Ihr ONNX-Netz für die Nutzung auf wenglor-Hardware quantisieren.
Nach erfolgter Inbetriebnahme kann es folgende Gründe geben, nachzutrainieren:
- Es treten neue Klassen auf, die erkannt werden sollen.
- Die Score-Werte verringern sich, z. B. durch Chargenänderungen, Verschmutzung bzw. Abnutzung von Werkstückträgern oder verringerte Lichtleistung.
- Die Anforderungen an die balancierte Genauigkeit ändern sich.
Stellen Sie zunächst sicher, dass die vorliegende Datenbasis konsistent und eindeutig ist, bevor neue Daten aufgenommen werden. Gehen Sie falsche Vorhersagen durch und prüfen Sie gegebenenfalls jede Annotation nochmals. Nutzen Sie Validierungs-Tools, wie die Heatmap, Score-Werte und die Konfusionsmatrix. Konzentrieren Sie sich anschließend auf die Klasse mit der schlechtesten Performance und stellen Sie etwa 100 zusätzliche Bilder dieser Klasse bereit idealerweise von Varianten oder Produkten, bei denen das Modell besonders schwach abschneidet und der Score-Wert entsprechend gering ist. Alternativ können auch 50 neue Bilder pro Klasse ergänzt werden.
Je hochwertiger die Daten sind, desto robuster ist das KI-Modell. Dabei gilt stets Qualität vor Quantität. Der Fokus auf qualitativ hochwertige, ausgewogene und realitätsnahe Daten führt zu verlässlicheren KI-Modellen, reduziert das Risiko von Overfitting und steigert die Alltagstauglichkeit in der Produktion. Wer Zeit in eine clevere Datenauswahl investiert, spart später Aufwand beim Training und erreicht schneller hohe Genauigkeiten bei gleichzeitig nachvollziehbaren Ergebnissen.
Drei grundsätzliche Vorgehensweisen für das Training von KI-Modellen im Vergleich
Deep Learning nutzt komplexe neuronale Netze und eignet sich besonders für Anwendungen mit hoher Bildvarianz und hohen Genauigkeitsanforderungen. Dafür sind meist viel Rechenleistung und längere Trainingszeiten notwendig. Edge Learning basiert ebenfalls auf Deep Learning, unterscheidet sich jedoch dadurch, dass das Training direkt auf dem Endgerät (Edge Device) erfolgt. Das ermöglicht eine schnelle und einfache Implementierung, führt aber in der Regel zu weniger leistungsfähigen KI-Modellen, die sich eher für einfache Prüfaufgaben eignen.
Edge Learning wird öfters von KI-Einsteigern als einfache Lösung für Bildverarbeitungsaufgaben eingesetzt, auch dort, wo sich klassische, regelbasierte Verfahren besser eignen und bereits seit Jahren bewährt haben. Der Einsatz von Edge Learning birgt Risiken, da die einfache Einrichtung von Edge-Lösungen oft auf Kosten von Robustheit, Nachvollziehbarkeit und Erkennungsgenauigkeit erfolgt.
| Cloud (z. B. AI Lab) | On-Premise | Edge | |
|---|---|---|---|
| Merkmale | Extern gehostete Cloud | Unternehmenscloud, Server, lokaler PC | Lokal, direkt auf dem Gerät in der Produktion |
| Komplexität der Anwendung | Simpel bis komplex | Individuell | Simpel |
| Kostenkontrolle | Pay-per-use, keine Anschaffungskosten für Trainingshardware | Investitionen in Hardware und Betriebskosten | Keine Zusatzkosten (läuft auf Smart Device) |
| Einrichtung und Zugang | Kein spezielles Setup notwendig, mit Internetverbindung über Browser zugängig | Installation und Einrichtung von geeigneter Trainingshardware notwendig | Läuft direkt auf der Hardware (z. B. Smart Camera), Browser/3rd Party-Software nötig |
| Trainingsflexibilität | Hohe Flexibilität von einfachen bis komplexen KI-Modellen und kleinen bis großen Datensätzen
|
Verantwortung liegt beim Betreiber | Trainingsflexibilität ist oftmals limitiert
|
| Validierbarkeit und Nachvollziehbarkeit | Statistisch robuste Validierung anhand großer Datenmengen, zentral hinterlegt | Statistisch robuste Validierung anhand großer Datenmengen, Ablage liegt in Nutzerverantwortung | Einfache manuelle Funktionsprüfung anhand von Einzelteilen |
| Zusammenarbeit und Datensatzverwaltung | Zentral administrierbar und teamfähig | Abhängig vom Setup | Nur Einzelplatzlösung, keine echte Kollaboration oder rollenbasierte Steuerung |
| Skalierbarkeit | Automatisch skalierbar über Cloudserver | Abhängig vom Betreiber (Speicher, Rechenleistung, Softwarelösung) | Nur skalierbar durch weitere Anschaffung von Edge Devices |
| Verfügbarkeit und Deployment | Zentral, von jedem Gerät aus nutzbar Skalierbares Deployment: Rollout von KI-Modellen über mehrere Linien, Standorte oder Regionen |
Lokal oder innerhalb des Netzwerks verfügbar | Dezentral, auf der lokalen Hardware bzw. im Netzwerk verfügbar (offline) |
| Datensicherheit, Zugangskontrolle und Backups | Abhängig vom Cloudanbieter, zentral mit Benutzerrollen und Backups | Abhängig vom Setup, liegt in der Nutzerverantwortung | Lokale Datenspeicherung ist sicher, aber ohne zentrale Benutzerverwaltung oder automatische Backups |
|
Merkmale
|
||
|
Cloud (z. B. AI Lab)
Extern gehostete Cloud
|
On-Premise
Unternehmenscloud, Server, lokaler PC
|
Edge
Lokal, direkt auf dem Gerät in der Produktion
|
|
Komplexität der Anwendung
|
||
|
Cloud (z. B. AI Lab)
Simpel bis komplex
|
On-Premise
Individuell
|
Edge
Simpel
|
|
Kostenkontrolle
|
||
|
Cloud (z. B. AI Lab)
Pay-per-use, keine Anschaffungskosten für Trainingshardware
|
On-Premise
Investitionen in Hardware und Betriebskosten
|
Edge
Keine Zusatzkosten (läuft auf Smart Device)
|
|
Einrichtung und Zugang
|
||
|
Cloud (z. B. AI Lab)
Kein spezielles Setup notwendig, mit Internetverbindung über Browser zugängig
|
On-Premise
Installation und Einrichtung von geeigneter Trainingshardware notwendig
|
Edge
Läuft direkt auf der Hardware (z. B. Smart Camera), Browser/3rd Party-Software nötig
|
|
Trainingsflexibilität
|
||
|
Cloud (z. B. AI Lab)
Hohe Flexibilität von einfachen bis komplexen KI-Modellen und kleinen bis großen Datensätzen
|
On-Premise
Verantwortung liegt beim Betreiber
|
Edge
Trainingsflexibilität ist oftmals limitiert
|
|
Validierbarkeit und Nachvollziehbarkeit
|
||
|
Cloud (z. B. AI Lab)
Statistisch robuste Validierung anhand großer Datenmengen, zentral hinterlegt
|
On-Premise
Statistisch robuste Validierung anhand großer Datenmengen, Ablage liegt in Nutzerverantwortung
|
Edge
Einfache manuelle Funktionsprüfung anhand von Einzelteilen
|
|
Zusammenarbeit und Datensatzverwaltung
|
||
|
Cloud (z. B. AI Lab)
Zentral administrierbar und teamfähig
|
On-Premise
Abhängig vom Setup
|
Edge
Nur Einzelplatzlösung, keine echte Kollaboration oder rollenbasierte Steuerung
|
|
Skalierbarkeit
|
||
|
Cloud (z. B. AI Lab)
Automatisch skalierbar über Cloudserver
|
On-Premise
Abhängig vom Betreiber (Speicher, Rechenleistung, Softwarelösung)
|
Edge
Nur skalierbar durch weitere Anschaffung von Edge Devices
|
|
Verfügbarkeit und Deployment
|
||
|
Cloud (z. B. AI Lab)
Zentral, von jedem Gerät aus nutzbar
Skalierbares Deployment: Rollout von KI-Modellen über mehrere Linien, Standorte oder Regionen |
On-Premise
Lokal oder innerhalb des Netzwerks verfügbar
|
Edge
Dezentral, auf der lokalen Hardware bzw. im Netzwerk verfügbar (offline)
|
|
Datensicherheit, Zugangskontrolle und Backups
|
||
|
Cloud (z. B. AI Lab)
Abhängig vom Cloudanbieter, zentral mit Benutzerrollen und Backups
|
On-Premise
Abhängig vom Setup, liegt in der Nutzerverantwortung
|
Edge
Lokale Datenspeicherung ist sicher, aber ohne zentrale Benutzerverwaltung oder automatische Backups
|
