Edge KI bezieht sich auf die Bereitstellung von KI-Algorithmen und KI-Modellen direkt auf lokalen Edge-Geräten wie Sensoren oder IoT-Geräten, wodurch eine Echtzeit-Datenverarbeitung und -analyse ohne ständige Abhängigkeit von einer Cloud-Infrastruktur ermöglicht wird.
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 in der Nähe des Gerätestandorts, und KI-Algorithmen ermöglichen die Verarbeitung der Daten direkt am Netzwerkrand, mit oder ohne Internetverbindung. Dies ermöglicht die Verarbeitung von Daten innerhalb von Millisekunden und liefert Echtzeit-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 erfreut sich wachsender Beliebtheit, da Unternehmen neue Wege entdecken, ihre Leistungsfähigkeit zu nutzen, um Workflows zu optimieren, Geschäftsprozesse zu automatisieren und neue Innovationsmöglichkeiten zu erschließen. Gleichzeitig können gleichzeitig Bedenken hinsichtlich Latenz, Sicherheit und Kostensenkung ausgeräumt werden.
Weitere Informationen zu Edge-Computing-Lösungen von IBM.
Dank Edge KI entfällt durch die dezentrale Entscheidungsfindung die Notwendigkeit, ständig Daten an einen zentralen Ort zu übertragen und darauf zu warten, dass sie die Automatisierung unserer Geschäftsabläufe erleichtern. Dennoch besteht weiterhin die Notwendigkeit, Daten an die Cloud zu übertragen, um diese KI-Pipelines neu zu trainieren und bereitzustellen. Die Bereitstellung dieses Musters an zahlreichen Standorten und für eine Vielzahl von Anwendungen bringt spezifische Herausforderungen mit sich, wie z. B. Datengravitation, Heterogenität, Skalierung und Ressourcenbeschränkungen. Verteilte KI kann diese Herausforderungen bewältigen, mit denen Edge KI konfrontiert ist, indem sie intelligente Datenerfassung integriert, die Daten- und KI-Lebenszyklen automatisiert, Speichen 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 APIs verwendet, um Modelle für maschinelles Lernen zu trainieren und bereitzustellen. 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. Um die sichere Navigation dieser Fahrzeuge zu gewährleisten und potenzielle Gefahren zu vermeiden, müssen sie eine Reihe von Faktoren wie Ampeln, unberechenbare Fahrer, Spurwechsel, Fußgänger, Bordsteine und zahlreiche andere Variablen schnell erkennen und darauf reagieren. 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, absolut 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.
Erfahren Sie, wie Sie die richtigen Datenbanken für Anwendungen, Analysen und generative KI nutzen.
Registrieren Sie sich, um den Leitfaden zu Foundation Models zu lesen
Cloud KI kann im Vergleich zu Edge KI größere Rechenkapazitäten und Speicherkapazitäten bereitstellen und erleichtert so das Training und die Bereitstellung komplexerer und fortschrittlicherer KI-Modelle. Edge KI hat aufgrund der begrenzten Größe des Geräts eine begrenzte Verarbeitungskapazität.
Die Latenz wirkt sich direkt auf Produktivität, Zusammenarbeit, Anwendungsleistung und Benutzererfahrung aus. Je höher die Latenz (und desto langsamer demzufolge die Antwortzeiten), desto mehr leiden diese Bereiche. Edge KI bietet eine geringere Latenz, da die Daten direkt auf dem Gerät verarbeitet werden, während bei Cloud KI die Daten an entfernte Server gesendet werden, was zu einer höheren Latenz führt.
„Bandbreite” bezieht sich auf die öffentliche Datenübertragung des ein- und ausgehenden Netzwerkverkehrs rund um den Globus. Edge KI erfordert aufgrund der lokalen Datenverarbeitung auf dem Gerät eine geringere Bandbreite, während Cloud KI eine Datenübertragung zu entfernten Servern beinhaltet, was eine höhere Netzwerkbandbreite erfordert.
Edge-Architektur bietet mehr Privatsphäre, da sensible Daten direkt auf dem Gerät verarbeitet werden, während Cloud KI die Übertragung von Daten an externe Server erfordert, wodurch sensible Informationen möglicherweise Servern von Drittanbietern zugänglich gemacht werden.
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 (Link befindet sich außerhalb von ibm.com). Diese rasante Ausbreitung des Edge Computing wird durch die steigende Nachfrage nach IoT-basierten Edge-Computing-Diensten sowie durch die anderen inhärenten Vorteile von Edge KI angetrieben. 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. Edge KI könnte jedoch bei der Verwaltung des umfangreichen Datenvolumens und der Datenvielfalt, die von bestimmten KI-Anwendungen gefordert werden, an ihre Grenzen stoßen und muss möglicherweise in Cloud Computing integriert werden, um ihre Ressourcen und Kapazitäten zu nutzen.
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. Andererseits hat jede zentralisierte Datenbank das Potenzial, ein verlockendes Ziel für potenzielle Angreifer zu werden. Das bedeutet gleichzeitig, dass Edge KI nicht vollständig immun gegen Sicherheitsrisiken 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, wodurch der Prozess der Skalierung des Systems vereinfacht wird. 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. Obwohl die menschliche Interpretation bei der Bestimmung des endgültigen Datennutzens und der daraus resultierenden Ergebnisse stets eine entscheidende Rolle spielen wird, übernehmen Edge KI-Plattformen einen Teil dieser Verantwortung, was letztlich zu Kosteneinsparungen für Unternehmen führt.
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. Sollte die KI auf ein Problem stoßen, werden die problematischen Daten oft in die Cloud übertragen, um das ursprüngliche KI-Modell zusätzlich zu trainieren, das schließlich die Inferenzmaschine 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.
Weltweit haben Hersteller damit begonnen, Edge KI-Technologie zu integrieren, um ihre Fertigungsabläufe zu revolutionieren und dadurch die Effizienz und Produktivität 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. Ob ein Bewohner jemanden an seiner Tür erkennen oder die Temperatur in seinem Haus über sein Gerät regeln möchte – die Edge-Technologie kann Daten vor Ort schnell verarbeiten, ohne dass Informationen an einen zentralen Remote-Server übertragen werden müssen. Dadurch wird die Privatsphäre der Bewohner geschützt und das Risiko eines unbefugten Zugriffs auf personenbezogene Daten verringert.
Geschwindigkeit ist für die Sicherheitsvideoanalyse ein entscheidender Faktor. Zahlreiche Computer-Vision-Systeme sind für Echtzeitanalysen nicht schnell genug. Anstatt die von Sicherheitskameras erfassten Bilder oder Videos lokal zu verarbeiten, übertragen diese Systeme sie an eine cloudbasierte Maschine, die mit leistungsstarken Verarbeitungsfunktionen 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.
Multiplizieren Sie mit unserer KI- und Datenplattform der nächsten Generation die Leistungsfähigkeit von KI.
IBM verfügt über ein Portfolio zur autonomen Verwaltung, das Umfang, Variabilität und Änderungsgeschwindigkeit in Edge-Umgebungen berücksichtigt. Außerdem erhalten Unternehmen bei IBM Lösungen, mit denen Kommunikationsunternehmen ihre Netze modernisieren und neue Services am Edge bereitstellen können.
IBM Power®-Systeme und IBM Storage-Lösungen ermöglichen den Einsatz von KI-Modellen am Edge. Gewinnen Sie Einblicke aus visuellen, am Edge generierten Live-Daten.
Nutze Edge Computing, um Netzwerküberlastungen zu vermeiden, die durch neue Technologien verursacht werden.
Hören Sie sich an, wie Nirmit Desai von IBM Research verteilte KI und die damit verbundenen Möglichkeiten erklärt.
Erwägen Sie, Ihre Unternehmensanwendung näher an Ihre realen Datenquellen zu verlagern.
Erfahren Sie, wie IBMs Edge Computing die Konvergenz von 5G- und Edge-Technologien ermöglicht.
Entwickeln Sie Lösungen für die Verwaltung von Edge-Geräten und geräteinterne Analysen an der Datenquelle.
Informieren Sie sich über Vorteile, Herausforderungen und Architekturen für branchenspezifische Edge-Computing-Implementierungen.