TDK stellt SensorGPT für die Entwicklung von Edge AI vor

Die TDK Corporation hat SensorGPT vorgestellt, eine Plattform zur Generierung synthetischer Sensordaten, die entwickelt wurde, um die Entwicklung von Edge-AI-Modellen für IoT-, Industriesysteme und Ambient-IoT-Anwendungen zu beschleunigen. Die Technologie kombiniert generative KI, Signalverarbeitung, statistische Modellierung und physikbasierte Simulationen, um skalierbare Sensordatensätze für das Training und die Validierung von Machine-Learning-Modellen zu erstellen.

Die Plattform adressiert eine wesentliche Einschränkung beim Einsatz von Edge AI: den Zeit- und Kostenaufwand für die Erfassung und Aufbereitung realer Sensordaten. Nach Angaben des Unternehmens entfallen bei der traditionellen Entwicklung von KI-Lösungen nahezu 80 % der Projektzeit auf Datenerfassung und -vorbereitung. SensorGPT wurde entwickelt, um die Abhängigkeit von realen Datensätzen auf etwa 10 % zu reduzieren und dadurch schnellere Modelliterations- und Bereitstellungszyklen zu ermöglichen.

Generierung synthetischer Daten für Edge-AI-Systeme
Edge-AI-Systeme sind stark auf Sensordaten angewiesen, um Funktionen wie Bewegungserkennung, Umweltüberwachung, vorausschauende Wartung, Wearable-Analysen und industrielle Automatisierung auszuführen. Die Erfassung großer Mengen gekennzeichneter Sensordaten unter unterschiedlichen Betriebsbedingungen bleibt jedoch eine erhebliche Herausforderung, insbesondere in verteilten IoT-Umgebungen.

SensorGPT verwendet mehrere Methoden der Datensynthese, um diese Einschränkung zu überwinden. Generative KI-Modelle werden mit begrenzten realen Datensätzen trainiert, um Sensormuster und -verhalten unter verschiedenen Betriebsszenarien zu reproduzieren. Physikbasierte Simulationsmodelle erweitern die Datensatzgenerierung zusätzlich, indem sie reale Sensorinteraktionen und Umweltdynamiken mathematisch nachbilden.

Die Plattform integriert außerdem Signalverarbeitungstechniken, die die Eigenschaften und Variabilität tatsächlicher Sensorausgaben simulieren. Funktionen zur Datenaugmentation erstellen automatisch erweiterte Datensätze, die unterschiedliche Betriebsbedingungen und Grenzfälle abbilden, wodurch die Robustheit der Modelle während des Trainings verbessert wird.

TDK erklärte, dass die von SensorGPT generierten synthetischen Datensätze eine Ähnlichkeit von etwa 90 % mit realen Sensordaten erreichen, wodurch die generierten Daten den produktionsreifen Einsatz von Edge AI unterstützen können.




Schnellere Modelltrainings- und Bereitstellungszyklen
Das Unternehmen gab an, dass SensorGPT die Entwicklungszeit von Edge-AI-Modellen von mehreren Monaten auf wenige Wochen reduzieren kann. Die Plattform unterstützt schnelleres Prototyping und die Entwicklung von Proof-of-Concepts, indem sie eine groß angelegte Erweiterung von Datensätzen ermöglicht, ohne umfangreiche Kampagnen zur Erfassung von Felddaten zu erfordern.

Unterstützte Annotationsfunktionen sind ebenfalls in die Plattform integriert, um Workflows zur Kennzeichnung von Trainingsdaten zu vereinfachen und die Nutzbarkeit sowie Konsistenz der Datensätze für Machine-Learning-Anwendungen zu verbessern.

Die Technologie ist für Anwendungen in IoT-Geräten, Wearables, mobilen Systemen, industriellen IoT-Umgebungen, physischen KI-Systemen und Ambient-IoT-Infrastrukturen vorgesehen. Diese Bereiche benötigen zunehmend skalierbare Frameworks zur Datengenerierung, da die Nachfrage nach dezentraler KI-Verarbeitung und intelligentem Edge Computing wächst.

Wettbewerbskontext bei der Generierung synthetischer KI-Daten
Die Generierung synthetischer Daten ist zu einem wichtigen Bereich innerhalb des breiteren Ökosystems von Edge AI und digitalen Lieferketten geworden, insbesondere für Anwendungen, bei denen die Erfassung vielfältiger realer Sensordaten teuer oder betrieblich schwierig ist.

Vergleichbare Technologien auf dem Markt konzentrieren sich typischerweise auf simulationsbasierte Datengenerierung, KI-gestützte Augmentation oder Digital-Twin-Umgebungen. Leistungsbenchmarks in diesem Segment bewerten üblicherweise die Ähnlichkeit zu realen Daten, die Skalierbarkeit von Datensätzen, die Effizienz von Annotationen, Verbesserungen der Trainingsgeschwindigkeit sowie die Reduzierung von Datenerfassungskosten.

Der Ansatz von TDK kombiniert generative KI mit Simulations- und Signalverarbeitungstechniken innerhalb eines einzigen Frameworks und zielt auf eine breitere Abdeckung von Betriebsbedingungen sowie eine verbesserte Anpassungsfähigkeit über verschiedene Sensortypen und IoT-Bereitstellungen hinweg ab.

Jim Tran, Corporate Officer und General Manager bei der TDK USA Corporation sowie Deputy General Manager von Technology & Intellectual Property HQ, sagte, dass die Plattform darauf ausgelegt sei, Sensordaten in eine skalierbare Entwicklungsressource zu verwandeln, indem generative KI-Modellierung mit simulationsbasierten Datengenerierungstechniken kombiniert werde.

Bearbeitet von Natania Lyngdoh, Induportals-Redakteurin, mit Unterstützung von KI.

www.tdk.com