Translate

Wegen der immer stärker fortschreitenden Durchdringung von KI in Unternehmen [1] scheint ein Ordnungsrahmen für Begrifflichkeiten und Betrachtungsaspekte der Anwendung von Künstlicher Intelligenz im Industrie 4.0-Kontext wünschenswert. Methoden der Künstlichen Intelligenz lassen sich nach verschiedenen Aspekten strukturieren. Auch Anwendungen innerhalb von Industrie 4.0 können mithilfe des RAMI-Frameworks oder mithilfe des ISA95-Standards in Ebenen und Prozessgruppen eingeordnet werden. Allerdings fehlt eine Taxonomie, welche die Klassifikation der Anwendungsbereiche mit den durch Machine-Learning-Methoden verbesserten Prozessen in Beziehung setzt, sie verortet und bewertet. Ein solcher Ordnungsrahmen hilft, neue Prozesse und Lösungen einzuordnen und unterstützt im Finden passender Machine-Learning-Verfahren für konkrete Problemstellungen im Industrie 4.0-Kontext.

Mit der zunehmenden Vernetzung steigt die Heterogenität der Plattformen in einem IoT-System. Endpunkte verschiedener Leistungsklassen haben unterschiedliche Arten von Betriebssystemen und Prozessoren, während das Gesamtsystem zusätzlich noch zentrale Server oder die Cloud umfasst. Edge-Geräte werden heute zusätzlich noch integriert, um den steigenden Leistungsanforderungen gerecht zu werden und hohe Durchsätze und niedrige Latenzen zu erreichen. Die sichere und portierbare Programmierung dieser Geräte für anspruchsvolle Aufgaben im industriellen Umfeld, wie zum Beispiel Computer Vision, ist eine Herausforderung. Bytecode-basierte Virtuelle Maschinen haben diese beiden Eigenschaften und sind mit Java seit längerer Zeit vertreten. Seit einigen Jahren strebt WebAssembly auf, das aus beliebigen Programmiersprachen übersetzt werden kann, und findet zunehmend Verbreitung über den Browser hinaus. Dieser Beitrag beschreibt die technischen Grundlagen und zeigt Möglichkeiten auf, wie ...