Künstliche Intelligenz (KI) an der Edge ermöglicht insbesondere Reaktionen in Echtzeit, verbesserten Datenschutz sowie eine deutlich optimierte Kosteneffizienz. Daraus lassen sich zahlreiche disruptive Use Cases ableiten.
Edge-KI eröffnet der Industrie und der Automobilbranche ein Feld für neue Dienste und Produkte.
kittikunfoto | Generated with AI | stock.adobe.com
Edge-KI bezeichnet den Einsatz von KI auf lokalen Servern, Industrie-Robotern, Fahrzeugen oder Endgeräten wie Smartphones. Im Gegensatz dazu werden viele generative KI-Technologien meist zentral auf umfangreichen Rechen- und Speicherinfrastrukturen (Cloud-KI) verwendet.
Wenn Unternehmen ihre Rechen-Ressourcen näher an den Ort verlagern, an dem die Daten entstehen, qualifizieren sich diese Edge-Standorte nicht nur ideal zum Sammeln und Aggregieren lokaler Daten, sondern auch für deren Nutzung als Input für generative Prozesse.
Auf diese Weise wird am Rand eines Netzwerks eine Intelligenzebene hinzugefügt, bei der das Edge-Gerät nicht nur Metriken und Analysen nutzt, sondern auch auf diese Informationen sinnvoll reagieren kann, da im Edge-Gerät ein integriertes Modell für maschinelles Lernen (ML) existiert. Die Kombination von Edge Computing und künstlicher Intelligenz bringt dem Anwender diverse Vorteile.
Vorteile der Edge-KI auf einen Blick |
Reduzierte Latenz Die Dauer, die für die Verarbeitung von Daten auf einer Cloud-Plattform erforderlich ist, wird deutlich reduziert. |
Verringerte Bandbreite Die an eine Cloud zu sendende Datenmenge wird reduziert und auf diese Weise Kosten gesenkt, indem mehr Daten lokal verarbeitet, analysiert und gespeichert werden. |
Skalierbarkeit Einfache Skalierung von Systemen mit Cloud-basierten Plattformen und nativer Edge-Funktionalität auf OEM-Geräten. |
Geringerer Stromverbrauch Einsparung von Energiekosten durch lokale Datenverarbeitung und geringeren Strombedarf für die Ausführung von KI am Edge im Vergleich zu Cloud-Rechenzentren. |
Sicherheit Priorisieren der wichtigsten Datenübertragungen, indem Daten in einem Edge-Netzwerk verarbeitet und gespeichert oder redundante und nicht benötigte Daten gefiltert werden. |
Datenschutz Risiko-Minderung, indem vertrauliche Daten nicht nach außen gelangen, da Daten auf Edge-Geräten von Edge-KI verarbeitet werden. |
Neue Anwendungsbereiche entstehen
Durch die Verlagerung von KI an den Netzwerkrand entstehen viele Möglichkeiten für KI-Anwendungen mit neuen Diensten und Produkten, wie nun die Deutsche Akademie der Technikwissenschaften (acatech) in einem Whitepaper darlegt. Dazu gehören unter anderem folgende Use Cases:
Federated Machine Learning in der Industrierobotik
Mithilfe des Federated Learnings (Föderales Lernen) ist es möglich, Edge-KI so umzusetzen, dass beispielsweise Kommissionierroboter in einem Lager gezielt Objekte und Greifpunkte erkennen und sich für geeignete Greifverfahren der jeweiligen Objekte entscheiden können. Dafür werden gemäß dem Federated Learning spezifische Modelle gleichzeitig auf mehreren Geräten trainiert.
Auf diese Weise lernen Roboter voneinander, auch unbekannte Objekte zuverlässig zu greifen und dadurch schneller neue Aufgaben zu übernehmen. Durch Federated Learning an der Edge entsteht ein wesentlich effizienteres Modell, ohne dass sensible Daten über lange Wege ausgetauscht werden müssen.
Vehicle-to-Vehicle-Kommunikation
Lokale KI-Modelle verarbeiten in Echtzeit für das autonome Fahren Sensordaten des Fahrzeugs wie Lidar, Kameras oder Radar sowie Verkehrsdaten aus den Kommunikationsnetzen zwischen den einzelnen Fahrzeugen. Dadurch erkennt die Technologie zuverlässig Anomalien oder auch mögliche Gefahrensituationen. Gleichzeitig kann das System Warnungen kommunizieren und rechtzeitig Maßnahmen einleiten, um ein Unfallrisiko beispielsweise durch Ausweichmanöver oder größere Abstände zu vermeiden.
