Det pratas ofta om AI som något som uteslutande bor i stora, glittriga datacenter eller djupt inne i molnet. Men för ett tillverkande företag i Sverige sker det faktiska värdeskapandet sällan i en serverhall långt bort. Det sker vid monteringslinan, i truckarna på lagret eller i maskinerna som aldrig får stå stilla.
En fråga som vi på Aixia ställer oss allt oftare är varför vi fortfarande skickar enorma mängder data fram och tillbaka över hela landet när besluten egentligen behöver fattas på plats, i exakt samma sekund som något händer.
Vi ser en tydlig trend där fokus nu skiftar från centraliserad kraft till det vi kallar Edge Computing. Det räcker helt enkelt inte längre med en central hjärna som befinner sig flera mil bort. För att AI ska göra verklig nytta i industrin behöver intelligensen flytta ut till nätverkets ytterkant, precis där sensorerna sitter och där produktionen faktiskt rullar.
När millisekunder blir till pengar
Behovet av lokal beräkningskraft blir som tydligast när vi tittar på hastighet. Tänk er en kvalitetskontroll styrd av AI där en högupplöst kamera filmar komponenter som swishar förbi på ett band. Om systemet upptäcker en defekt måste maskinen stanna omedelbart.
Om den bilden först ska skickas till ett datacenter för att analyseras och sedan vänta på ett kommando tillbaka, har hundratals defekta delar redan hunnit passera innan bromsen aktiveras.
Genom att placera beräkningskraften precis bredvid sensorn kan vi sortera ut vad som är viktigt och agera direkt. Det är skillnaden mellan att ringa en expert varje gång man ser något ovanligt och att ha experten stående direkt vid maskinen, redo att ingripa på bråkdelen av en sekund.
På sikt är det detta som skiljer en lönsam produktion från en som dras med onödigt spill och kostsamma efterjusteringar.
Tekniken som tål verkligheten
Att få detta att fungera i praktiken handlar dock om mer än att bara ställa ut en kraftfull dator på golvet. Fabriksmiljön är utmanande med damm, vibrationer och en IT-värld som ofta krockar med den operativa tekniken (OT).
För att lyckas krävs det först och främst robust hårdvara, som exempelvis NVIDIA:s specialiserade Edge-plattformar, som klarar tuffa miljöer utan att tumma på prestandan.
Men minst lika viktigt är nätverket som fungerar som nervsystemet i hela operationen. Här använder vi ofta Aristas lösningar för att skapa en motorväg med extremt låg latens mellan sensorn och AI-enheten. Det handlar om att bygga en arkitektur där trafiken aldrig fastnar i kö, oavsett hur mycket data som strömmar genom kablarna.
Den stora utmaningen med en distribuerad miljö är naturligtvis hanteringen. Om man har dussintals maskiner med varsin AI-enhet blir det snabbt ogörligt att hålla allt uppdaterat manuellt.
Det är här vår plattform AiQu blir helt avgörande. Den gör det möjligt att styra hela den här spridda infrastrukturen från ett och samma ställe. Man kan rulla ut nya modeller till alla enheter samtidigt och övervaka hur de presterar utan att behöva springa runt med en laptop på fabriksgolvet.
Det gör att ni kan skala upp er AI-satsning utan att drunkna i administration.
Vem äger egentligen er industriella hjärna?
Utöver hastigheten finns det också en viktig säkerhetsaspekt i att hålla datan lokal. Inom svensk industri är produktionsdata det heligaste vi har, och med de nya kraven i NIS2 blir frågan om datasuveränitet ännu mer brännande.
Genom att analysera informationen direkt vid källan minskar vi attackytan drastiskt. Den känsliga rådatan behöver aldrig lämna fabriksområdet i sin helhet, vilket gör det betydligt enklare att leva upp till både lagkrav och interna säkerhetspolicyer.
Framtiden för industriell AI är utan tvekan distribuerad. Vi kommer alltid att behöva centrala kraftpaket för att träna upp våra modeller, men den operativa intelligensen som faktiskt styr vardagen flyttar utåt.
På Aixia hjälper vi er att bygga den där bryggan så att era sensorer, ert nätverk och er beräkningskraft faktiskt pratar samma språk.
Vår rekommendation: Börja där det bränner
Vi rekommenderar sällan att man kastar om hela sin infrastruktur på en gång. Det bästa sättet att närma sig Edge AI är att identifiera en specifik flaskhals i produktionen och köra en kontrollerad utvärdering – en så kallad Proof of Concept (PoC).
Genom att testa tekniken på en enskild maskin eller produktionslinje får ni snabbt svar på hur latensen påverkas och vilket faktiskt värde de snabbare besluten ger er verksamhet.
