Mit einer Pipeline werden oft Güter wie Öl oder Gas zu Raffinerie transportiert und dort zu neuen Produkten weiter veredelt zu werden die am Ende von einem Kunden abgenommen werden. Innerhalb einer AI Pipeline werden statt physischer Güter Daten transportiert, veredelt und neuronale Netze auf Basis dieser Daten trainiert. So entstehen neue digitale Produkte auf Basis des Rohstoffes Daten. Wie auch zum Beispiel beim Öl sind der Kreativität und dem Erfindergeist keine Grenzen gesetzt was aus dem Rohstoff in unserem Fall de Daten neues entsteht. Somit reduziert eine AI Pipeline den Aufwand erheblich aus dem Rohstoff Daten neue digitale Produkte entstehen zu lassen. Die im Tech-Office München bei BMW entwickelte No-Code AI Pipeline gibt kreativen Köpfen die notwendigen Module an die Hand zu gestalten ohne die sonst notwendigen Grundlagen erschaffen zu müssen da die notwendige Software als Open Source durch BMW bereits veröffentlicht wurde. Der nachfolgende Überblick soll helfen die AI Pipeline einzuordnen.
Die Vorteile und die Motivation im Überblick
Der Vorteil der von BMW entwickelten No-code AI Pipeline die als Open Source Software veröffentlicht wurde ist, dass ein einfacher und kostengünstiger Einstieg in die Verarbeitung von Bildern mittels neuronalen Netzen ermöglicht wird, das die eigenen Daten nicht den privaten Rechner oder das Unternehmen verlassen müssen und das direkt praktisch losgelegt werden kann. Die Datenhoheit liegt weiter in den eigenen Händen des Anwenders und es ist nicht notwendig auf die Werkzeuge und Services der großen Cloud Anbietern zurückgreifen zu müssen. Auch sind bei dem Einsatz der von BMW entwickelten No-Code AI Pipeline keine komplexen Vorkenntnisse zum Thema Design und Architektur von neuronalen Netzen erforderlich. Die auf meinem Blog hier veröffentlichte Anleitung führ sie Schritt für Schritt von der Installation der No-Code AI Pipeline bis hin zur Bedienung und Anwendung dieser Tools.
Mit dem Beitrag AI PIPELINE – GENERELLE VORAUSSETZUNGEN wird im Detail auf das Thema Hardware eingegangen. Die No-Code AI Pipeline läuft prinzipiell auch auf älterer Hardware ohne z. B. einer leistungsstarken NVIDIA GPU rein auf der CPU des vorhandenen Rechners. Wird die AI Pipeline aber intensiver genutzt lohnt es sich in Hardware zu investieren um das Training der neuronalen Netze mit einer leistungsstarken GPU von NVIDIA deutlich zu beschleunigen. Aber für den Start um überhaupt einmal Kontakt mit dem Thema AI und Bilderkennung zu bekommen reicht ein Standard PC oder Laptop mit ca. 25 GB freien Festplattenplatz für die Installation der Tools der No-Code AI Pipeline aus.
Die Motivation für den Einsatz dieser AI Pipeline in einem Unternehmen ist mit Sicherheit der Open Source Gedanke der diesen Tools zu Grunde liegt und dass viele Mitarbeiter gleichzeitig dieses Werkzeug über das interne Netzwerk in ihrem Internet-Browser nutzen können ohne zusätzliche Kosten z. B. an Lizenzen zu erzeugen. Es wird für den einzelnen Anwender dann keine weitere spezielle Hardware benötigt da sich der Leistungsstarke Rechner von allen Anwendern über das Netzwerk geteilt wird. Auch wird kein kostenpflichtiger Zugang zu einem der großen Cloud Anbieter und dessen Services benötigt. Die Übersicht über die Kosten sowie deren Planung ist transparent und vor allem die Datenhoheit bleibt in den Händen des Anwender bzw. des Betriebes der die No-Code AI Pipeline bei sich einsetzt.
Skalierrung
Die hier vorgestellte No-Code AI Pipeline ist auch im größeren Stil Skalierbar mit überschaubaren Investitionen in die Hardware. So hatte ich persönlich bei BMW eine AI Challenge im Jahr 2021 veranstaltet bei der ca. 435 aktive Teilnehmer Weltweit auf eine Installation dieser AI Pipeline zugegriffen haben und ihre ersten Erfahrungen im Bereich der künstlichen Intelligenz sammeln konnten. Der dafür eingesetzte Rechner hatte zwei NVIDIA Quadro 8000 Grafikkarten verbaut, eine Threadripper AMD CPU mit 48 Kernen und 256 GB an Arbeitsspeicher. Die Festplatten waren klassische NVMe Laufwerke mit jeweils 2 TB Kapazität. Das Gesamtsystem hatte in der Anschaffung 2021 ca. 12.000,- € gekostet und wurde von einem Professionellen und Namhaften Hersteller für Hochleistung PC Systeme geliefert.
Zielgruppe der No-Code AI Pipeline
Die Zielgruppe der No-Code AI Pipeline und damit auch die Zielgruppe dieser Beitragsserie sind einmal an dem Thema AI interessierte, Schüler die ihren Gaming PC auch anderweitig nutzen möchten, Studenten die sich das Thema AI erschließen möchten und natürlich kleinere Unternehmen die einen leichten Zugang zum Thema AI suchen.
Damit ist diese Beitragsserie für alle geeignet die keinen theoretischen Einstieg in das Thema AI suchen sondern praktisch sich dem Thema Bilderkennung mit neuronalen Netzen also einer künstlichen Intelligenz annähern und sich erschließen möchten. Die Theorie die eventuell notwendig wird um tiefer in das Thema AI einzusteigen erschließt sich dann in einem zweiten Schritt leichter wenn generell schon einmal die AI Pipeline funktioniert, man persönlich einen Überblick über die verschiedenen Tools erhalten hat und alles durch einen selber erprobt wurde. So können Sie sich dann ganz einfach praktische Erfahrungen z. B. rund um das Thema Hyperparameter Tuning beim Training von neuronalen Netzen eigenständig erarbeiten. Unter Hyperparameter Tuning wird der Prozess verstanden die Konfiguration des neuronalen Netzes beim Training optimal einzustellen. Das ist ein fortlaufender Prozess der auch die Qualität der Eingangsdaten berücksichtigt und daher in seinem Vorgang komplex ist und sicher auch die Erfahrungswerte des Experten in seinem jeweiligen fachlichen Umfeld wieder spiegelt. Wie gut die mit individuell angepassten Hyperparametern trainierten Neuronalen Netze Bilder im Vergleich zu mit anderen Parametern trainierten neuronalen Netze erkennen können kann ermittelt werden um so die für den eigenen Einsatzzweck besten Trainingsparameter heraus zu finden.
Architektur der No-Code AI Pipeline
Die AI Pipeline besteht im Grunde aus drei zentralen Lösungen:
- dem Labeltool Lite
- der Training Suite
- der AI Pipeline Image App
Für die einfachere Bedienung dieser Lösungen wurde die AI Pipeline Image App, eine kleine Web-Anwendung eines Doktoranden von BMW, geschrieben die ich ebenfalls veröffentlichen durfte und jetzt online auf meinem privaten GitHub Account gestellt habe.
So baut sich diese Opne Source No-Code AI Pipeline mit dem Schwerpunkt der Bilderkennung aus den drei genannten Modulen auf. Sie halten mit der AI Pipeline ein Werkzeug in den Händen um z. B. auf Platinen elektronische Komponenten zu erkennen um automatisiert deren Preis zu bestimmen oder sie entwickeln eine Lösung um Sequenzen von Komponenten in der Produktion zu überprüfen im Sinne einer frühen Qualitätssicherung. Der Vielfalt und Ideen bei denen AI unterstützen kann sind keine Grenzen gesetzt. Jetzt können sie einfach loslegen, Erfahrungen sammeln und bewerten wie sinnvoll eine AI Lösung für ihr fachliches Problem ist.
Die nachfolgende Abbildung zeigt wie die drei Tools miteinander interagieren und wie der Prozess der AI Pipeline abläuft für die Bilderkennung mittels neuronaler Netze.
Anwendungsbeispiele
Die hier vorgestellte No-Code AI Pipeline eignet sich sehr gut für Aufgaben rund um die Bilderkennung. Nachfolgend möchte ich ein paar Beispiele bzw. Ideen geben in welchen Bereichen solch ein System eingesetzt werden könnte.
Beispiel 1: Qualitätssicherung bei der Herstellung
Bei Produktionsprozessen ist es sinnvoll auf eine fortlaufende automatisierte und in der Güte gleich bleibende Qualitätssicherung zu setzen. So kann ein neuronales Netz z. B. überprüfen ob angelieferte Bauteile vom Lieferanten in der vorgegebenen Sequenz angeliefert wurden um Fehler im dann folgenden Produktionsprozess frühzeitig zu verhindern. Für die Umsetzung eines solchen Prüfprozesses bietet die No-Code AI Pipeline die notwendige Basis und auch eine API Schnittstelle für die Anbindung an weitere Applikationen die die Daten der AI Pipeline weiterverarbeiten.
Beispiel 2: Bauteile zählen nach Typ und Preislabel drucken
In vielen Baumärkten sieht man mittlerweile Systeme zum Erkennen von Produkten wie z. B. Kupferverschraubungen für Spengler Tätigkeiten. Der Kunde legt die Teile unter ein Kamerasystem und der angeschlossene Drucker druckt das Preisschild aus. Der Kunde muss sich nicht mehr Teilenummern wie T345 merken um selber das Preisetikett zu drucken. In diesem Fall erledigt diese Aufgabe ein neuronales Netz für uns und erkennte das Produkt sowie die Anzahl um dann das Preisetikett zu drucken.
Beispiel 3: Bilder und Videos anonymisieren
Das ist jetzt sicher eine spezielle Anforderung aber durchaus technisch sehr interessant und mit der AI Pipeline umsetzbar. So ist es z. B. Möglich in einem Video bestimmte Objekte nach deren Klasse zu anonymisieren also unkenntlich zu machen. Das dafür notwendige neuronale Netz wird mit der No-Code AI Pipeline trainiert und dann auf das Video angewandt. Die erkannten Objekte werden im Bild durch das neuronale Netz unkenntlich gemacht. Das praktische Beispiel folgt hier im Beitrag AI Pipeline – Anonymization-Api.
Es sind natürlich noch unzählige weitere Anwendungen vorstellbar wie das Erkennen von z. B. Blindgängern in Kriegsgebieten, das Erkennen von Nutzpflanzen und nicht gewollten Pflanzen in der industrialisierten Agra Industrie und viele weitere Anwendungen. Natürlich muss immer genau überlegt werden für was genau diese doch in Zukunft viel verändernde KI Technologie eingesetzt wird und das diese hoffentlich immer dem Nutzen der Menschheit dient. Aktuell verstehe ich das Thema künstliche Intelligenz wie die Entdeckung des Stroms ca. 550 v. Chr, durch den griechische Mathematiker und Philosoph Thales von Milet. Die Menschheit hat dank der Nutzung der Elektrizität riesige Fortschritt erzielt und die vielen Möglichkeiten wie z. B. das Internet waren damals ca. 550 v. Chr. sicher nicht für die gesamte Menschheit vorstellbar.
Artikelübersicht - Wie setze ich die AI Pipeline auf:
AI Pipeline - Vorstellung der AnleitungAI Pipeline - Die No-Code AI Pipeline ein Überblick
AI Pipeline - Die drei Bestandteile der No-Code AI Pipeline
AI Pipeline - Grundlagen zum Thema AI Hardware
AI Pipeline - Hardware Beispiel-Konfigurationen
AI Pipeline - Software Installation der No-Code AI Pipeline
AI Pipeline - Labeltool Lite - Installation
AI Pipeline - Labeltool Lite Vorbereitung der Trainingsdaten
AI Pipeline - Labeltool Lite - Bedienung
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Installation
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Ausführen
AI Pipeline – Tensorflow-Object-Detection-Training-GUI - Bedienung
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Inference API testen des neuronalen Netzes
AI Pipeline - AI Image App Einrichten und Bedienen - Teil 1-2
AI Pipeline - AI Image App Einrichten und Bedienen - Teil 2-2
AI Pipeline - Trainingsdaten Download
AI Pipeline - Bilder und Video Anonymization API
Hallo, ich habe ihre Anleitung befolgt und bekomme im letzten Schritt leider immer folgende Meldung im Terminal: bash <(wget -qO-…
Hi Dennis, vielen Dank für den Hinweis, ich habe die URLs angepasst so das diese wieder gehen. Ich bin gespannt…
Ich weiss, es ist noch im Aufbau. Aber hier ist ein Broken Link: https://www.ai-box.eu/smurf_training_data_small.zip Freue mich drauf, die ganze Serie…