Smart Cooking: Immer die richtige Backzeit dank KI

Die Backöfen der BSH Hausgeräte GmbH, einem weltweit führenden Hersteller von Hausgeräten, liefern Vorhersagen zur noch verbleibenden Back- oder Garzeit unterschiedlichster Gerichte. Diese Dauer wird mittels künstlicher Intelligenz (KI) berechnet, die in der Cloud bereitgestellt wird. Dabei erwies es sich als äußerst komplex, KI-Modelle in der Cloud bereitzustellen und damit tausende von Kundenanfragen zu verarbeiten sowie exakte Zeitvorhersagen zu liefern. Bei der Entwicklung der entsprechenden Lösung haben mehrere Fachbereiche zusammengearbeitet – darunter ein Team von Data Scientists und Developern der Scandio, die für Infrastruktur und maschinelles Lernen zuständig waren.

Neue Backöfen der BSH sind mit KI ausgestattet und bieten damit ein noch nie dagewesenes, smartes Kocherlebnis: Man schiebt sein Essen in den Ofen, drückt auf „Start“ und der Ofen gibt an, wann das individuelle Gericht fertig ist – egal, ob man in der Küche ist oder nicht: Denn die KI zeigt die verbleibende Backzeit sowohl über das Display des Ofens als auch auf der Smartphone-App Home Connect an. Die cloudbasierte Funktion unterstützt nicht nur Sensortechnik für Backgerichte, sondern ebenso ein Bratenthermometer zum optimalen Garen.

Doch so einfach die Restzeitvorhersage für die Nutzerin und den Nutzer auch ist, so komplex ist die Technologie dahinter. Die Entwicklung der KI, um tausende zeitabhängige Kundenanfragen zu bearbeiten und berechnete Zeitvorhersagen sowohl auf dem Ofendisplay als auch in der App zu liefern, erforderte viel Arbeit und Know-how.

Die Herausforderung

Die Herausforderung beim Angebot einer KI-gestützten Back- und Bratfunktion liegt in der Lösung des zeitlichen Problems der Vorhersage mit hoher Genauigkeit. Dies erfordert eine kontinuierliche Verbindung – einen Stream – zwischen dem KI-Modell in der Cloud und dem Ofen während des Backvorgangs, wobei spezielle Faktoren für unterschiedliche Gerichte berücksichtigt werden: Für die KI unterscheidet sich der Backprozess für eine Pizza grundlegend von der Zubereitung einer Weihnachtsgans.

Darüber hinaus muss der Service in der Lage sein, parallele Anfragen von tausenden Backöfen gleichzeitig zu verarbeiten. Zudem sollte er für unterschiedliche Belastungen skalierbar sein, einschließlich Spitzenzeiten wie dem Weihnachtsabend, wenn viele Menschen gleichzeitig das Abendessen zubereiten, im Vergleich zu einem normalen Werktag.

Die Lösung soll zudem in verschiedenen Ländern nutzbar und sowohl mit älteren als auch neueren und zukünftigen Backofengeräten kompatibel sein. Ebenso müssen unterschiedliche Firmware-Versionen sowie Anschlussmodule unterstützt werden.

Für BSH-Stakeholder und Data Scientists ist es außerdem essenziell, einen Administrations- und Verwaltungsbereich sowie ein Dashboard für die Einstellung, Überwachung und Optimierung der Modellgenauigkeit zur Verfügung zu haben.

Des Weiteren ist es notwendig, relevante Ausgabedaten der KI-Modelle zu speichern, um kontinuierliche Modellverbesserungen zu gewährleisten.

Die Lösung

Die Funktion zur Prognose der verbleibenden Backzeit für neue Öfen wurde von einem zehnköpfigen Team bestehend aus Developern und Data Scientists der Scandio entwickelt – in etwas mehr als einem Jahr, unter Einsatz modernster Programmierwerkzeuge und Technologien.

Die Zusammenarbeit zwischen verschiedenen Fachgebieten hat dabei wesentlich zum Erfolg des Projekts beigetragen. Als wichtige Gewerke des Zusammenspiels lassen sich die folgenden hervorheben:

• Entwicklungsarbeiten zur Umsetzung von Logik und Architektur, um das Zusammenspiel von Öfen, KI-Modellen und Datenspeicherung in der Cloud zu ermöglichen.
• Machine Learning Operations (MLOps), um die KI-Modelle zu betreiben, sie kontinuierlich zu aktualisieren und optimale Leistung und Genauigkeit der Vorhersagen zu gewährleisten.
• Data-Science-Expert:innen, die ein maßgeschneidertes und hochpräzises Modell geliefert und dieses iterativ weiter verbessert haben.

Aufgrund der Affinität der Programmiersprache Python zu KI entschied sich das Scandio-Team, die notwendigen Microservices mit Python zu entwickeln. Für die Entwicklung von Frontend-Diensten zur Administration und Überwachung der Services wählte das Team TypeScript und Grafana mit Prometheus sowie Datadog. Die Service- und Prozessmetriken sowie ausgewählte Live-Daten aus dem KI-Modell sind auf einem Dashboard und einer benutzerdefinierten Oberfläche verfügbar. Diese zeigen nicht nur die Einsatzbereitschaft an, sondern geben Stakeholdern auch ein Gefühl für die Leistung und Nutzung der Funktion.

Die Orchestrierung der Services erfolgte über ein Kubernetes-Cluster innerhalb von AWS. So konnte das Team Flexibilität beibehalten und eine Anbieterabhängigkeit (Vendor Lock-In) vermeiden, während es gleichzeitig die Möglichkeit hat, seine Lösungen mit Industriestandards und zukünftigen Code-Lösungen zu vergleichen und zu optimieren.

Die Infrastruktur wurde mithilfe von Terraform mit seinem Infrastructure-as-Code-Prinzip eingerichtet, so dass das Team die Infrastruktur mit versionskontrolliertem Code für Test- und Produktionsumgebungen verwalten konnte. Dieser Ansatz ermöglichte auch die Übergabe von Teilen der Features, wodurch die Notwendigkeit des mehrfachen Wiederaufgreifens von Aufgaben verringert wird und die Skalierbarkeit bei wachsender Endanwenderzahl gewährleistet ist.

Für jedes von der Vorhersage unterstützte Gericht wurden Machine-Learning-Modelle und Inferenzengraphen erstellt, um eine effiziente und zuverlässige Vorhersage der verbleibenden Back- und Garzeit zu ermöglichen. TensorFlow wurde verwendet, um die Modelle zu trainieren, während Seldon Core für die Entwicklung der Inferenzgraphen Verwendung fand. Diese Tools sind in der Industrie für KI-Aufgaben weit verbreitet und werden regelmäßig aktualisiert, um sie zu verbessern und um mit den neuesten Praktiken Schritt zu halten.

Die Verbindung zwischen dem Ofen und dem Backend in der Cloud ist durch eine speziell für den Zweck entwickelte, ereignisgesteuerte Architektur definiert. Basierend auf dem Ofenmodell und dem gewählten Gericht wird im Backend ein eigener Prozess erstellt, der für zeitbasierte Backvorhersagen verantwortlich ist. Eine kontinuierliche Streaming-Verbindung leitet die Messwerte des Ofens permanent an das benötigte KI-Modell weiter, während die Modellausgabe mehrmals pro Minute zurück an den Ofen gesendet wird, bis das Gericht fertig ist. Diese Event-Streams für den Datenfluss zwischen dem Modell und dem Ofen wurden mit aktuellen Technologien wie Apache Flink innerhalb von Kinesis Data Analytics und Apache Kafka eingerichtet.

Um Skalierbarkeit zu gewährleisten, implementierte das Team der Scandio außerdem ein Konzept, das den wachsenden Kundenstamm mit Zunahme von Smart-Home-Haushalten auch zukünftig problemlos bewältigen kann.

Die Daten aus den Ofenmessungen und die Modellausgabe werden aufbewahrt, damit Data Science-Teams die Modelle weiter verbessern können. Die Daten werden entsprechend gesichert und mittels Privacy Engineering wird die Einhaltung der Datenschutz-Grundverordnung (GDPR) sichergestellt.

Zusammenfassend lässt sich festhalten, dass die funktionsübergreifenden Scandio-Teams die beschriebenen Ansätze und Technologien aufgrund deren bewährter Zuverlässigkeit, Skalierbarkeit und Fähigkeit zur Anforderungserfüllung einer solch komplexen KI-Lösung gewählt haben. So konnte die Scandio der BSH eine qualitativ hochwertige KI-Lösung bereitstellen, die den Anforderungen des Unternehmens entspricht und dessen Geschäft erfolgreich vorantreibt.

Das Ergebnis

Besitzer:innen eines smarten Backofens müssen nicht mehr raten, wann ihr Essen fertig ist. Mit der KI-gesteuerten Vorhersage der verbleibenden Backzeit wissen sie genau, wann ihr Gericht das perfekte Ergebnis erreicht hat. Dank Scandio konnte die BSH diese innovative Funktion für ihre neuesten Backöfen pünktlich im Januar 2023 einführen.

Die Restzeitvorhersage ist nun ein wesentliches Merkmal der BSH Home Connect App und damit eine der ersten KI-gestützten Funktionen, die die BSH ihren Kundinnen und Kunden anbietet. Die Lösung ist ein klarer Beweis für die Innovationskraft der BSH und ein wichtiges Unterscheidungsmerkmal auf dem Markt für Hausgeräte.

„Für die Scandio war dieses Projekt der Startschuss eines erfolgreichen und nachgefragten Service-Angebots rund um AI und Data Science. Wir sind unglaublich stolz darauf, Teil dieses bahnbrechenden Projekts zu sein und eine Funktion geliefert zu haben, die das Leben von Besitzern intelligenter Backöfen auf der ganzen Welt bereichert."

Marco Michatz, Software Engineer bei der Scandio