Wie eingebettete Anwendungen für maschinelles Lernen von 5G und der Cloud profitieren werden

^{Bitte betten Sie keine KI-Systeme in ihren Körper ein.}

Immer, wenn ich im Hochschul-Studium bis spät in die Nacht lernte, wünschte ich mir ein kybernetisches Hirnimplantat. Dann könnte ich einfach alle Informationen herunterladen, die ich brauche, und sie später sofort abrufen. Nie wieder lernen, jedes Jahr an den Geburtstag der Freundin denken, vielleicht sogar Netflix im eigenen Kopf anschauen! Leider haben die Herren Elektroingenieure vor mir stattdessen Geräte für das Internet der Dinge (IoT) entworfen. Während ich also immer noch auf mein elektronisches Erinnerungsvermögen warte, bekommen diese Geräte einen eigenen Geist. Maschinelles Lernen und künstliche Intelligenz (KI) sind heiße Themen und Designer wie Sie suchen wahrscheinlich nach Möglichkeiten, sie in eingebetteten System zu verwenden. Es gibt nur ein Problem: Die neuronalen Netze für das maschinelle Lernen verbrauchen zu viel Energie und brauchen zu viel Rechenleistung. Das Aufkommen von 5G und seiner Kombination mit dem Cloud-Computing könnte diese Probleme lösen. Cloud-Computing kann eingebetteten Systemen mit künstlicher Intelligenz über die hohe Bandbreite und niedrige Latenz von 5G ungeahnte Kräfte verleihen.

Maschinelles Lernen in eingebetteten Systemen

Maschinelles Lernen ist kein neues Konzept, aber die ständige Erhöhung der Rechenleistung macht es zur Realität. Dank ihrer KI werden Geräte immer klüger mit ihrer Umgebung interagieren können.

Der Synthetic Sensor der Future Interfaces Group ist ein Paradebeispiel dafür, wie maschinelles Lernen den Systembetrieb verbessern kann. Dieses Modul umfasst beinahe alle in „intelligenten“ Geräten üblichen Sensoren – beispielsweise für Umgebungstemperatur, elektromagnetische Störungen und Störgeräusche. Durch maschinelles Lernen versteht es seine Umgebung. Der Synthetic Sensor kann feststellen, welche Herdplatte Sie eingeschaltet haben und welches Gerät im Hintergrund läuft. So wissen Benutzer immer genau, was in ihrem Zuhause los ist, während sie unterwegs sind.

Die Vorteile dieser intelligenten Erfassung für eingebettete Systeme sind enorm. Einige Geräte nutzen sie bereits. Der Thermostat von Nest lernt, welche Temperatur Sie in Ihrem Haus mögen und nimmt Ihre An- und Abwesenheit wahr. So kann er die Temperatur in ihrem Zuhause auf Grundlage seines Verständnisses Ihrer Vorlieben und Tagesplanung regeln. Warm, wenn Sie daheim sind, und kühl, wenn Sie außer Haus sind. Diese Art des Verständnisses und der Terminplanung wird unsere Häuser künftig energieeffizienter machen.

Hindernisse auf dem Weg zum maschinellen Lernen

Wenn maschinelles Lernen so toll ist, warum setzen wir es dann noch nicht überall ein? Aus denselben Gründen, wieso ich kein bionisches Hirn habe: Maschinelles Lernen ist zu sperrig und braucht zu viel Energie.

Es ist nicht einfach, einen Supercomputer in ein eingebettetes System einzupassen, aber genau das steht Ihnen bevor, wenn sie KI wollen. Maschinelles Lernen setzt gigantische Rechenleistung voraus – mehr als für ein eingebettetes System sinnvoll ist. Selbst Autohersteller, die mit fortschrittlichen Fahrerassistenzsystemen (ADAS) arbeiten, machen sich Sorgen, ob die für die intelligenten Systeme benötigten CPUs überhaupt hineinpassen. Entwickler nutzen inzwischen GPUs, um das maschinelle Lernen zu beschleunigen, aber damit bekommt man die Chips auch nicht auf die nötige Größe.

Selbst, wenn passende Chips verfügbar sind, muss man den immensen Strombedarf für KI decken. 1989 bauten Forscher der Carnegie Mellon University ein Auto, das sich mithilfe von Deep Learning selbst steuerte. Das Auto hieß ALVINN, und seine 100-MFLOP-CPU wurde von einem 5.000-Watt-Generator versorgt. Neuere Chips verbrauchen zwar weniger Strom, aber immer noch zu viel. Bei großen eingebetteten Systemen wie einem ADAS-fähigen Auto ist vielleicht genug Platz für viele Batterien, aber bei Haushaltsgeräten und Handhelds wäre die Batterie größer als das Gerät selbst.

Beides sind schwierige, aber in der Zukunft durchaus lösbare Probleme. Eine kurzfristigere Lösung für die Integration von KI in eingebettete Systeme bieten jedoch 5G und Cloud-Computing.

Cloud-Computing und 5G

Die Cloud, das unbekannte Wesen. Ich stelle sie mir immer wie die Welt von Tron vor, allerdings hoffentlich mit weniger Konflikten. In Kombination mit 5G könnte das Cloud-Computing intelligent genug sein, um mir bei der Erschaffung meiner eigenen Computerwelt zu helfen.

Cloud-Computing kann die Lösung für die oben beschriebenen Stromversorgungs- und Rechenleistungs-Beschränkungen sein. Berechnungen können an externen Orten mit praktisch unbegrenzter Rechenleistung und Anschluss an das Stromnetz vorgenommen werden. Wir alle nutzen die Cloud heute schon für die verteilte Datenverarbeitung, also können eingebettete Systeme das auch. Entsprechend haben Google, Amazon und andere Unternehmen begonnen, Dienste für maschinelles Lernen mit der Cloud anzubieten. Mit Ihren Prozessoren, die sich in weit entfernten Computerfarmen befinden, müssen Sie sich nur noch um die Versorgung der Antenne kümmern. Das führt mich zum Thema 5G.

Maschinelles Lernen braucht eine Menge Daten. Daten, die aktuell nur schwer drahtlos zu übertragen sind. Intel schätzt, dass ADAS-fähige Autos 1 GB Daten pro Sekunde werden verarbeiten müssen. Das ist eine Menge Information für eine WLAN- oder 4G-Verbindung. Wie passend also, dass die 5G-Technik Datenübertragungsraten bis zu 10 Gbps mit Latenzen unter 10 ms unterstützen wird. Das bedeutet, dass Ihr Gerät die nötigen Daten übermitteln und fast verzögerungsfrei eine Interpretation empfangen wird. Unternehmen arbeiten bereits an stromsparenden 5G-Antennen, so dass Ihre Platinen bei weniger Stromverbrauch intelligentere Entscheidungen treffen können.

^{So würde maschinelles Lernen mit Cloud-Computing aussehen.}

Maschinelles Lernen ist ein spannendes Gebiet, das eingebettete Systeme massiv verbessern wird. Cloud-Computing kann dem Rechenleistungs‑ und Stromversorgungs-Bedarf von KI Rechnung tragen, während 5G die Anforderungen an den Datentransfer erfüllt. 

Sobald maschinelles Lernen für eingebettete Systeme realisierbar ist, werden Sie einen Androiden einstellen müssen, der Ihnen bei der vielen Designarbeit hilft. Nun, einen Androiden habe ich nicht für Sie, aber etwas fast genauso Gutes. Altium Designer ist eine PCB-Design-Software, mit der Sie Platinen für jede Art eingebetteter Systeme einfacher entwerfen können. Seine große Auswahl ausgezeichneter Tools wird Ihnen das Gefühl geben, der PCB-Design-Übermensch schlechthin zu sein.

Haben Sie noch Fragen zum maschinellen Lernen und eingebetteten Systemen? Rufen Sie einen Experten bei Altium an.