Was ist Edge KI?

Einfach ausgedrückt bezieht sich Edge KI oder „KI am Edge“ auf die Kombination von Edge Computing und künstlicher Intelligenz, um Aufgaben des maschinellen Lernens direkt auf miteinander verbundenen Edge-Geräten auszuführen. Edge Computing ermöglicht die Speicherung von Daten nahe dem Gerätestandort, und KI-Algorithmen ermöglichen die Verarbeitung direkt am Edge, mit oder ohne Internetverbindung. Diese Funktion ermöglicht eine Datenverarbeitung innerhalb von Millisekunden und bietet Feedback.

Selbstfahrende Autos, Wearables, Sicherheitskameras und intelligente Haushaltsgeräte gehören zu den Technologien, die Edge KI-Funktionen nutzen, um Benutzern Prompt Echtzeitinformationen zu liefern, wenn dies am wichtigsten ist.

Edge-KI wird immer beliebter, da Branchen neue Wege finden, ihre Wirkung  zu nutzen, um Workflows zu optimieren, Geschäftsprozesse zu automatisieren und Innovation zu fördern. Gleichzeitig trägt es dazu bei, entscheidende Bedenken wie Latenz, Sicherheit und Kostenreduzierung anzugehen.

Weitere Informationen zu Edge-Computing-Lösungen von IBM.

Edge KI ermöglicht die Entscheidungsfindung vor Ort, sodass es nicht mehr ständig Daten an einen zentralen Ort übertragen und auf die Verarbeitung warten muss, was die Automatisierung der Geschäftsabläufe optimiert. Allerdings müssen immer noch Daten in die Cloud übertragen werden, um KI-Pipelines neu zu trainieren und aktualisierte Modelle bereitzustellen.

Die Bereitstellung dieses Musters an zahlreichen Standorten und in verschiedenen Anwendungen bringt Herausforderungen wie Datengravitation, Heterogenität, Skalierung und Ressourcenbeschränkungen mit sich. Verteilte KI hilft, diese Hindernisse zu überwinden, indem sie die intelligente Datenerfassung integriert, die Daten- und KI-Lebenszyklen automatisiert, Spokes anpasst und überwacht und Daten- und KI-Pipelines optimiert.

Verteilte künstliche Intelligenz (DAI) ist für die Verteilung, Koordination und Prognose der Aufgaben-, Ziel- oder Entscheidungsleistung innerhalb einer Multi-Agenten-Umgebung verantwortlich. DAI skaliert Anwendungen auf eine große Anzahl von Speichen und ermöglicht es KI-Algorithmen, autonom über mehrere Systeme, Domänen und Geräte hinweg zu verarbeiten.

Derzeit werden Cloud Computing und Programmierschnittstellen (APIs) verwendet, um Modelle für maschinelles Lernen zu trainieren und bereitstellen. Anschließend führt Edge AI maschinelle Lernaufgaben wie vorausschauende Analyse, Spracherkennung und Anomalieerkennung in unmittelbarer Nähe zum Benutzer aus und unterscheidet sich dadurch in vielerlei Hinsicht von herkömmlichen Cloud-Services. Anstatt Anwendungen vollständig in der Cloud zu entwickeln und auszuführen, verarbeiten und analysieren Edge-KI-Systeme Daten näher an dem Punkt, an dem sie erstellt wurden. 

Algorithmen für maschinelles Lernen können dezentral ausgeführt werden und Informationen können direkt auf IoT-Geräten verarbeitet werden, anstatt in einem privaten Rechenzentrum oder in einer Cloud-Computing-Einrichtung.

Edge KI bietet sich immer dann als bessere Option an, wenn Echtzeitvorhersagen und Datenverarbeitung erforderlich sind. Denken Sie nur an die jüngsten Fortschritte in der Technologie selbstfahrender Fahrzeuge. Damit diese Autos sicher navigieren und potenziellen Gefahren ausweichen können, müssen sie eine Reihe von Faktoren wie Verkehrssignale, Treiber und Fahrspurwechsel schnell erkennen und darauf reagieren. Darüber hinaus müssen sie Fußgänger, Bordsteine und zahlreiche andere Variablen berücksichtigen.

Die Fähigkeit von Edge KI, diese Informationen direkt im Fahrzeug zu verarbeiten, mindert das potenzielle Risiko von Verbindungsproblemen, die durch das Senden von Daten an einen Remote-Server über cloudbasierte KI entstehen könnten. In solchen Szenarien, in denen schnelle Datenantworten über Leben und Tod entscheiden können, ist die Fähigkeit des Fahrzeugs, schnell zu reagieren, entscheidend.

Umgekehrt bezieht sich Cloud-KI auf die Bereitstellung von KI-Algorithmen und -Modellen auf Cloud-Servern. Diese Methode bietet eine höhere Kapazität für Datenspeicher und Rechenleistung und erleichtert so die Schulung und Bereitstellung fortschrittlicherer KI-Modelle.

2022 wurde der globale Markt für Edge KI auf 14.787,5 Millionen USD geschätzt und soll bis zum Jahr 2023 auf 66,47 Millionen USD wachsen, so ein Bericht von Grand View Research, Inc. Die steigende Nachfrage nach IoT-basierten Edge-Computing-Services treibt zusammen mit den inhärenten Vorteilen von Edge-KI die rasante Expansion von Edge Computing voran. Zu den Hauptvorteilen von Edge KI zählen:

Durch die vollständige Verarbeitung auf dem Gerät profitieren Benutzer von kürzeren Reaktionszeiten ohne Verzögerungen, die durch die Notwendigkeit entstehen, dass Informationen von einem entfernten Server zurückgesendet werden müssen.

Da Edge KI Daten auf lokaler Ebene verarbeitet, wird die über das Internet übertragene Datenmenge minimiert, wodurch die Internetbandbreite erhalten bleibt. Wenn weniger Bandbreite genutzt wird, kann die Datenverbindung ein größeres Volumen an gleichzeitiger Datenübertragung und -empfang bewältigen.

Benutzer können Daten in Echtzeit auf Geräten verarbeiten, ohne dass eine Systemkonnektivität und -integration erforderlich ist. So können sie Zeit sparen, indem sie Daten bündeln, ohne mit anderen physischen Standorten kommunizieren zu müssen. Allerdings könnte Edge-KI Schwierigkeiten haben, das enorme Volumen und die Vielfalt der Daten zu bewältigen, die für bestimmte KI-Anwendungen erforderlich sind. Um diese Einschränkungen zu überwinden, muss sie mit Cloud Computing integriert werden, um ihre Ressourcen und Funktionen nutzen zu können.

Der Datenschutz wird erhöht, da die Daten nicht in ein anderes Netzwerk übertragen werden, wo sie anfällig für Cyberangriffe sein könnten. Durch die Verarbeitung von Informationen direkt auf dem Gerät reduziert Edge KI das Risiko einer Fehlbehandlung von Daten. In Branchen, die Vorschriften zur Datenhoheit unterliegen, kann Edge KI Compliance-Anforderungen erfüllen, indem Daten lokal innerhalb der festgelegten Gerichtsbarkeiten verarbeitet und gespeichert werden.

Allerdings kann jede zentralisierte Datenbank ein Ziel für potenzielle Angreifer werden, was bedeutet, dass Edge-KI immer noch Sicherheitsrisiken ausgesetzt ist.

Edge KI erweitert Systeme mithilfe cloudbasierter Plattformen und inhärenter Edge-Funktionen auf Original Equipment Manufacturer (OEM)-Technologien, die sowohl Software als auch Hardware umfassen. Diese OEM-Unternehmen haben damit begonnen, native Edge-Funktionen in ihre Geräte zu integrieren, was das System skalieren erleichtert. Diese Erweiterung ermöglicht es lokalen Netzwerken auch, ihre Funktionalität aufrechtzuerhalten – selbst wenn Knotenpunkte vor- oder nachgelagert von Ausfallzeiten betroffen sind.

Die Kosten für cloud-gehostete KI-Dienste können hoch sein. Edge KI bietet die Möglichkeit, teure Cloud-Ressourcen als Speicher für die Nachbearbeitung von Daten zu nutzen, die für eine spätere Analyse und nicht für den sofortigen lokalen Einsatz vorgesehen sind. Dies reduziert den Workload von Cloud-Computern und Netzwerken.

Die Nutzung von CPU, GPU und Speicher wird stark reduziert, da ihre Workloads auf Edge-Geräte verteilt werden, was Edge KI als die kostengünstigere Option zwischen den beiden auszeichnet.

Wenn Cloud Computing alle Berechnungen für einen Dienst übernimmt, lastet ein erheblicher Workload auf dem zentralen Standort. Netzwerke müssen hohen Datenverkehr aushalten, um Daten an die zentrale Quelle zu übertragen. Wenn Maschinen Aufgaben ausführen, werden die Netzwerke wieder aktiv und übertragen Daten an den Benutzer zurück. Edge-Geräte beseitigen diese kontinuierliche, wechselseitige Datenübertragung. Dadurch werden sowohl Netzwerke als auch Maschinen entlastet, da sie nicht mehr für jeden Aspekt zuständig sind.

Darüber hinaus machen die autonomen Eigenschaften der Edge KI eine kontinuierliche Überwachung durch Data Scientists überflüssig. Die menschliche Interpretation spielt zwar eine entscheidende Rolle bei der Bestimmung des letztendlichen Werts von Daten und der damit erzielten Ergebnisse, aber Edge-KI-Plattformen übernehmen einen Teil dieser Verantwortung. Diese Umstellung führt letztendlich zu Kosteneinsparungen für Unternehmen.

Edge-KI nutzt neuronale Netze und Deep Learning, um Modelle zu trainieren, die Objekte in den gegebenen Daten genau erkennen, klassifizieren und beschreiben können. Bei diesem Trainingsprozess wird in der Regel ein zentrales Rechenzentrum oder die Cloud genutzt, um die für das Modelltraining erforderliche große Datenmenge zu verarbeiten.

Nach der Bereitstellung verbessern sich Edge KI-Modelle im Laufe der Zeit schrittweise. Wenn die KI auf ein Problem stößt, werden die problematischen Daten oft in die Cloud übertragen, um das ursprüngliche KI-Modell weiter zu trainieren, das schließlich die Inferenz-Engine am Edge ersetzt. Diese Feedbackschleife trägt erheblich zur Verbesserung der Modellleistung bei.

Zu den gängigen Beispielen für Edge KI gehören derzeit Smartphones, Wearables zur Gesundheitsüberwachung (z. B. Smartwatches), Echtzeit-Verkehrsinformationen in autonomen Fahrzeugen, vernetzte Geräte und intelligente Haushaltsgeräte. Verschiedene Branchen setzen auch zunehmend Edge KI-Anwendungen ein, um Kosten zu senken, Prozesse zu automatisieren, die Entscheidungsfindung zu verbessern und Abläufe zu optimieren.

Gesundheitsdienstleister durchlaufen durch die gezielte Transformation von Edge KI und die Einführung modernster Geräte einen tiefgreifenden Wandel. In Kombination mit weiteren Edge-Fortschritten ist diese Technologie in der Lage, intelligentere Gesundheitssysteme aufzubauen, während gleichzeitig die Privatsphäre der Patienten geschützt und die Reaktionszeiten verkürzt werden.

Mithilfe von lokal eingebetteten KI-Modellen werten tragbare Gesundheitsmonitore Metriken wie Herzfrequenz, Blutdruck, Blutzuckerspiegel und Atmung aus. Tragbare Edge KI-Geräte können auch erkennen, wenn ein Patient plötzlich stürzt, und das Pflegepersonal benachrichtigen. Diese Funktion ist bereits in handelsüblichen Smartwatches enthalten.

Notfallfahrzeuge sind mit schnellen Datenverarbeitungsfunktionen ausgestattet, sodass Rettungssanitäter Erkenntnisse aus Gesundheitsüberwachungsgeräten gewinnen und sich mit Ärzten beraten können, um wirksame Strategien zur Stabilisierung von Patienten festzulegen. Gleichzeitig kann sich das Personal in der Notaufnahme auf die besonderen Behandlungsanforderungen der Patienten vorbereiten. Die Integration von Edge KI unter solchen Umständen wird den Echtzeit-Austausch kritischer Gesundheitsinformationen erleichtern.

Hersteller auf der ganzen Welt haben mit der Integration von Edge-KI-Technologie begonnen, um ihre Fertigungsabläufe zu revolutionieren und die Effizienz und Produktivität des Prozesses zu steigern.

Sensordaten können genutzt werden, um proaktiv Anomalien zu erkennen und Maschinenausfälle vorherzusagen, was auch als vorausschauende Wartung bezeichnet wird. Gerätesensoren lokalisieren Unregelmäßigkeiten und benachrichtigen das Management umgehend über notwendige Reparaturen, sodass diese rechtzeitig behoben werden können und Betriebsausfälle vermieden werden.

Edge KI kann auch in anderen Bereichen dieser Branche eingesetzt werden, z. B. in der Qualitätskontrolle, Arbeitssicherheit, Ertragsoptimierung, Lieferkettenanalyse und Flächenoptimierung.

Es ist kein Geheimnis, dass Unternehmen mit der zunehmenden Beliebtheit von E-Commerce und Online-Shopping einen massiven Trend erlebt haben. Traditionelle stationäre Einzelhandelsgeschäfte sind zu Innovationen gezwungen, um ein nahtloses Einkaufserlebnis zu schaffen und Kunden zu binden. Mit dieser Verschiebung sind neue Technologien entstanden, wie z. B. Abholgeschäfte, intelligente Einkaufswagen mit Sensoren und intelligente Bezahlvorgänge. Diese Lösungen nutzen Edge KI-Technologie, um das herkömmliche Einkaufserlebnis der Kunden im Geschäft zu verbessern und zu beschleunigen.

Die moderne Landschaft ist voll von „intelligenten“ Geräten wie Türklingeln, Thermostaten, Kühlschränken, Unterhaltungssystemen und gesteuerten Glühbirnen. Diese Smart Homes enthalten Geräte-Ökosysteme, die Edge KI nutzen, um die Lebensqualität der Bewohner zu verbessern.

Egal, ob ein Bewohner jemanden an seiner Tür identifizieren oder seine Haustemperatur über sein Gerät kontrollieren muss, Edge-Technologie kann Daten vor Ort schnell verarbeiten. Diese Strategie macht die Übermittlung von Informationen an einen zentralen Remote-Server überflüssig, trägt zur Wahrung der Privatsphäre der Bewohner bei und verringert das Risiko eines unbefugten Zugriffs auf personenbezogene Daten.

Geschwindigkeit ist für die Sicherheitsvideoanalyse ein entscheidender Faktor. Vielen Computer-Vision-Systemen fehlt die richtige Geschwindigkeit, die für Echtzeitanalysen erforderlich ist. Anstatt die von den Sicherheitskameras aufgenommenen Bilder oder Videos lokal zu verarbeiten, übertragen diese Systeme sie an eine cloudbasierte Maschine, die mit Funktionen ausgestattet ist. Ohne lokale Datenverarbeitung stoßen diese cloudbasierten Systeme auf Hindernisse aufgrund von Latenzproblemen, die sich durch Verzögerungen beim Hochladen und Verarbeiten von Daten auszeichnen.

Die Computer-Vision-Anwendungen und Objekterkennungsfunktionen von Edge KI auf intelligenten Sicherheitsgeräten identifizieren verdächtige Aktivitäten, benachrichtigen Benutzer und lösen Alarme aus. Diese Fähigkeiten geben den Bewohnern ein stärkeres Gefühl von Sicherheit und Gelassenheit.