Reneseas Pioneer Real-time Continuous AI voor Fabrieksautomatisering

TOKYO — In de tijd van slimme productie is kunstmatige intelligentie niet langer optioneel; het is een hoeksteen. Toch worstelen veel bedrijven om AI-theorie in operationele realiteit te vertalen, citerend gebrek aan in-house expertise en onzekere ROI. Renesas Electronics definieert de weg vooruit opnieuw met zijn "real-time continuous AI" visie voor operationele technologie (OT).

In tegenstelling tot de data-gedreven, cloud-gerichte "statistieke AI" populair in IT, embedst Renesas's benadering AI direct op fabriekseindpunten. Dit stelt machines in staat om anomalieën te detecteren en beslissingen direct te nemen, zonder round-trip latentie naar de cloud.

klik voor grotere afbeelding

Statistische AI voor IT vs. continuous AI voor OT (Bron: Renesas)

Yoshikazu Yokota, executive vice president en general manager van Renesas's industrial solution unit, legde uit aan EE Times dat embedded AI kritiek is voor foutdetectie en predictief onderhoud. "Wanneer een anomalie ontstaat, kan embedded AI lokaal en in realtime reageren," zei hij. Drie jaar geleden stelde Renesas voor het eerst "AI at endpoints" voor en testte het concept in hun eigen Naka-semiconductor-fabriek.

"Ons doel is om real-time inference in OT mogelijk te maken terwijl AI-capaciteiten aan de edge incrementeel uitgebreid worden," voegde Yokota toe.

Yoshikazu Yokota, executive vice president bij Renesas, wil focussen op real-time inference in OT. (Foto: EE Times)

Door AI in incrementele stappen te introduceren, probeert Renesas fabrikanten te helpen proof-of-concept-projecten sneller af te ronden en de echte ROI van hun AI-investeringen te begrijpen.

Wanneer AI Toepassen op OT

Mitsuo Baba, senior director of strategy and planning voor Renesas's Industrial Solution unit, benadrukte dat AI maximale waarde levert wanneer het gerichte, goed-gedefinieerde problemen aanpakt – zoals specifieke productielijn-anomalieën. Hij illustreerde het concept met een scenario: een ervaren operatiemanager kan AI gebruiken om het exacte moment te vlaggen dat een defect begint, wat de manager vrijstelt om te focussen op kritieke interventies in plaats van routinematige inspecties.

In dit model wordt AI eenmaal getraind op geïdentificeerde issues en voert dan inference uit op endpoint-apparaten in realtime, wat de noodzaak elimineert om data naar de cloud te sturen. Baba benadrukte dat slechts 30 KB data voldoende is voor edge-inference, vergeleken met de 300 MB typisch voor cloud-gebaseerde statistische AI.

Renasas pleit daarom voor een inference-only-benadering die op microcontroller-eenheden (MCUs) kan draaien, wat bestaande productieapparatuur in staat stelt om geretrofit te worden met een "AI Unit Solution"-kit in plaats van volledige lijnen te herbouwen.

"We concurreren niet met AI-chip-leiders zoals Nvidia," verduidelijkte Baba. "Onze missie is om een nieuw segment van embedded AI te pionieren waar de data-footprint klein genoeg is om op conventionele MCU/MPU-hardware te draaien."