Künstliche Intelligenz

Alle Schritte der KI-Entwicklung abgedeckt

KI-Modell-Design • Anwendungsentwicklung • Systemimplementierung

Solectrix kann alle Schritte des KI-Entwicklungsprozesses für Sie übernehmen oder unterstützend agieren. Vom Aufsetzen einer Prototypen-KI für smarte Datenerfassung über die Leitung des maschinellen Lernens bis hin zur letztendlichen Kompilierung des optimierten KI-Modells auf ein FPGA, der Erstellung einer ergänzenden Embedded-Anwendung oder sogar des gesamten Embedded-Systems – wir sind hier, um Ihnen bei jedem Schritt zu helfen!

KI-getriebene Anwendungen

KI-Technologie prägt schon jetzt diverse Märkte, in denen wir von Solectrix agieren. Ein Beispiel sind Fahrerassistenzsysteme.

Bei solchen Anwendungen können auf neuronalen Netzen basierende Methoden des maschinellen Lernens, bekannt als “Deep Learning”, eingesetzt werden, um eine KI zu trainieren, die zuverlässig Fußgänger, Fahrräder, Autos oder Straßenschilder in komplexen Verkehrssituationen erkennt. Solch eine KI kann implementiert werden in Edge-Devices in PKWs oder als Teil eines Abbiegeassistenten in LKWs und Bussen.

Bildverarbeitung und -Analyse

Die Welt durch die Augen einer KI

Ein digitales Auge fängt eine Verkehrsszene ein und schickt die Daten an eine intelligente Kontrolleinheit – das “Hirn”. Das Hirn verarbeitet und interpretiert die Daten und generiert daraufhin ein virtuelles Bild der Umgebung mit klassifizierten Objekten. Das so gewonnene Wissen kann verwendet werden, um den Fahrer auf kritische Situationen hinzuweisen, oder als Informationsquelle für die Routenfindung eines autonom fahrenden Autos genutzt werden.

Maschinelles Lernen

Wie es funktioniert: Der KI beibringen, worauf sie in einem Bild achten muss

Dieses Niveau an Bilderkennung wird erreicht durch komplexe neuronale Netze. Der Prozess des maschinellen Lernens, der beim Entwickeln solch einer KI zum Einsatz kommt, benötigt Datenbanken mit Millionen an gekennzeichneten Bildern, anhand derer das KI-Modell herausfindet, was ein Auto von einem Bus unterscheidet, oder ein Kind von einem Hund. Mit der Zeit lernt das KI-Modell, welche Bildcharakteristiken mit einem bestimmten Objekttyp verknüpft sind, so dass am Ende der bestmögliche Satz an Transferfunktionen für die neuronalen Netze der Zielanwendung übrig bleibt.

Technologie

Implementieren einer KI in einem Embedded-Projekt

Unsere bevorzugten FPGA-Plattformen
Unsere KI-getriebenen Systeme basieren auf einem leistungsstarken System-on-a-Chip (SoC) von AMD, insbesondere dem Zynq™ 7000 SoC und dem Zynq™ UltraScale+™ MPSoC. Diese SoCs vereinen Arm®-CPUs mit programmierbarer Logik, was sie zu Systemkernen mit integriertem FPGA macht.

Im FPGA implementierte Funktionen
Die FPGA-Komponente des SoC übernimmt die folgenden Aufgaben:

Bildsignalverarbeitung
Dies umfasst die Verarbeitung der Daten von Bildsensoren in hochwertiges WDR- oder HDR-Material. Sensor-Fusion mit anderen Sensortechnologien ist ebenfalls möglich.
Sicherheit
Zuverlässigkeit garantiert durch Selbstüberwachungsroutinen.
I/O
Abwicklung der Kommunikation mit Systemkomponenten, Standard-Schnittstellen, High-Speed-Speicher usw.

Um die Inferenz von neuronalen Netzen zu beschleunigen, bieten wir zwei Optionen an:

Integrierung eines IP-Cores in das FPGA des SoCs
Dadurch kann das neuronale Netz direkt in die FPGA-Logik integriert werden, um eine effiziente Ausführung und Verarbeitung zu ermöglichen.
Verwendung eines externen KI-Beschleunigerchips
Wir bieten auch die Möglichkeit, einen externen KI-Beschleunigerchip über PCIe® anzuschließen. Dadurch kann das neuronale Netz auf dedizierter Hardware mit hoher Rechenleistung ausgeführt werden.

Diese flexible Architektur ermöglicht es unseren Kunden, je nach ihren spezifischen Anforderungen die geeignete Option zu wählen, um von den Vorteilen des jeweiligen Ansatzes zu profitieren.

Unser Dienstleistungsspektrum

Solectrix kann alle Schritte des KI-Entwicklungsprozesses übernehmen oder Sie dabei unterstützen.

Projektidee
Definition der Applikation
Prototypische KI für smarte Datenerfassung aufsetzen
Prototypische Implementierung eines Kamerasystems zur Aufzeichnung von Trainingsdatenmaterial
Bild-Klassifikation und Datenkennzeichnung
Annotation des aufgezeichneten Materials (Markieren der Objektklassen und Bildbereiche)
Angepasste Modell-Architektur & CNN-Training auf NVIDIA
Aufsetzen einer Trainingssession

Pruning, Optimieren und Quantisieren
Optimierung des Modells zur Reduktion von Rechenschritten
Modell für Inferenz einsetzen
Finales Modell nach dem Training
Kompilierung auf Zielplattform
Über den AMD-Workflow
Schaffen einer Embedded-Vision-Applikation
Entwicklung der Detektor-Applikation
Deployment auf Low-Power-Geräten
Bis zur Produktreife auf einem Embedded-System

AI Ecosystem

Das “AI Ecosystem” von Solectrix ist eine eigene Entwicklungsplattform für neuronale Netze, ein Werkzeugsatz zum Trainieren eines Deep-Learning-Modells. Seine Hauptbereiche sind:

Modell-Design
Hier wird die Struktur des neuronalen Netzes definiert. In der Regel eine iterative Entwicklung.
Datensätze
Einbeziehung von Bilddaten in den Trainingsprozess. Frei verfügbare Bilddatenbanken oder vom Kunden über ihre eigene Kamerahardware selbst erfasste Bilddaten, gekennzeichnet je nach Inhalt und aufgeteilt in Trainings-Datensatz, Validierungs-Datensatz und Pruning-Datensatz
Trainings-Session
Zur Durchführung des eigentlichen Anlernens der Netzwerkparameter

Überwachung
Der Trainingsprozess wird beobachtet, wobei statistische Informationen entstehen, die den Entwicklungsprozess des Trainings und seine Genauigkeit abbilden.
Modell-Pruning
Hier wird das trainierte Netz vereinfacht/getrimmt, sodass ohne Verlust an Genauigkeit eine Reduzierung der Berechnungen erreicht wird.
Modell-Einsatz
Finales “Ausschneiden” und Vereinfachung des Modells auf relevante Rechenschritte für die spätere Inferenz, sprich: die Durchführung der Objekterkennung in der finalen Kameraapplikation.

Alle Warenzeichen sind das Eigentum ihrer jeweiligen Inhaber.

Künstliche Intelligenz