Robuste Grundlage für KI- und IoT-Prozesse Edge Computing erlaubt starke KI-Modelle am Netzwerkrand

Autor / Redakteur: Philip Fassing / Dipl.-Ing. (FH) Andreas Donner

Edge-Computing-Technologien werden mit der wachsenden Popularität von KI und IoT für viele Branchen interessanter. Schnelle Prozessoren und flexibel einsetzbare Edge-Module begünstigen dabei die zunehmende Vielfalt an Anwendungsszenarien.

Firmen zum Thema

Workloads werden zugunsten einer schnelleren Datenverarbeitung immer häufiger an den Netzwerkrand verschoben.
Workloads werden zugunsten einer schnelleren Datenverarbeitung immer häufiger an den Netzwerkrand verschoben.
(Bild: © wladimir1804 - stock.adobe.com)

Etwa 7,6 Milliarden Euro haben deutsche Unternehmen 2018 mit Weltmarktneuheiten auf Basis von Künstlicher Intelligenz (KI) umgesetzt – zu diesem Ergebnis kommt eine Studie des ZEW Mannheim im Auftrag des Bundesministeriums für Wirtschaft und Energie (BMWi). Demnach wirkt sich der Einsatz von KI merklich auf die Umsatzrendite aus und ermöglicht deutlich höhere Gewinnmargen. Die Untersuchung veranschaulicht, was sich bereits seit einigen Jahren anbahnt: Künstliche Intelligenz wird immer mehr vom reinen Konzept zum handfesten Business Case.

Die Grundlagen für einen wirtschaftlichen Einsatz der Technologie bleiben nach wie vor anspruchsvoll. IT-Planer müssen nicht nur sinnvolle Anwendungsszenarien erschließen, sondern auch mit immer größeren Datenmengen kalkulieren: Sie benötigen einen konstanten und gut koordinierten Datenfluss, um leistungsfähige und zuverlässige KI-Modelle aufzubauen.

Da die Rahmenbedingungen in der Praxis alles andere als ideal sind, wird genau das in vielen Szenarien zur Krux. Fachkräfte, die beispielsweise auf Basis von Sensordaten die Wartungsintervalle von Maschinenteilen ermitteln lassen möchten, brauchen nicht nur ein gut trainiertes KI-Modell, sondern auch kurze Wege für die Daten. Müssen diese für die Analyse erst in die Cloud, kommt der entscheidende Hinweis im Zweifel zu spät, um adäquat auf Unregelmäßigkeiten reagieren zu können.

Edge Server konnten solche Problemstellungen in den vergangenen Jahren lösen, indem sie die Daten am Netzwerkrand – also vor Ort, ohne Umweg über ein fernes Cloud-Rechenzentrum – verarbeiten. Die verbauten Prozessoren entwickeln sich rasant weiter und eröffnen nun immer mehr Möglichkeiten für den Einsatz der Technologie.

Konstanter Lernprozess über alle Edge Devices hinweg

Lösungen wie zum Beispiel die Atlas 500 AI Edge Station von Huawei lassen sich aufgrund ihrer kompakten und robusten Bauweise auch für anspruchsvollere Szenarien nutzen. Die Module können beispielsweise Daten komplexer Smart-City-Konzepte verarbeiten, etwa aus der Echtzeitanalyse von Fußgänger- und Fahrzeugbewegungen für einen besseren Verkehrsfluss.

Die Technologie muss in einem solchen Szenario nicht nur unter widrigen Umständen wie sehr hohen oder niedrigen Temperaturen funktionieren, sondern dabei auch große Mengen an Kameradaten verarbeiten. Würde man diese für die Analyse zunächst in die Cloud schicken, wäre das für eine Ampelschaltung benötigte Timing nicht mehr zu gewährleisten – zu ausgeprägt ist die Latenz in der Kommunikation mit den weit entfernten Servern im Rechenzentrum.

Leistungsstarke KI-Prozessoren verarbeiten die Informationen jedoch direkt vor Ort im Edge Server und spielen sie mit den entsprechenden Rückschlüssen zurück an das Ampelsystem, das nun zeitnah auf die aktuelle Verkehrssituation reagiert. Das verwendete KI-Modell wird derweil durch Updates aus der Cloud konstant trainiert und weiterentwickelt und erzielt so mit der Zeit immer bessere Ergebnisse. Eine einheitliche Geräteverwaltung spielt die aktualisierten Algorithmen wiederum verteilt an alle Edge Devices im Netzwerk aus, sodass auch über die einzelnen Module hinweg ein konstanter Lernprozess entsteht und wichtige Firmware-Upgrades zeitnah und lückenlos aufgespielt werden.

Das Prinzip des Edge Computing lässt sich auf viele andere Anwendungsfälle übertragen. So kann eine entsprechende Lösung beispielsweise auch das Qualitätsmanagement in Produktionsabläufen gewährleisten: Sensor- oder Kameradaten erfassen etwaige Produktionsfehler, die die KI im Edge Device erkennt. Der zuständige Mitarbeiter erhält eine Warnung und kann entsprechend reagieren. Durch die Wiederholung dieses Vorgangs wird die Fehlererkennung mit der Zeit immer besser. Logistikprozesse profitieren ebenfalls von der Technologie, wenn Fachkräfte beispielsweise automatisierte Lager- und Kommissioniersysteme per Edge Device anbinden und so deutlich schneller auf Unregelmäßigkeiten im Ablauf reagieren können.

Erhöhte Transparenz durch Open-Source-Frameworks

Edge-Technologien müssen über Schutzmechanismen verfügen, um die Sicherheit in industriellen Szenarien zu gewährleisten. Idealerweise sind diese bereits von Haus aus in der Entwicklungsumgebung angelegt und prüfen das KI-Modell regelmäßig auf etwaige Schwachstellen, die zu Verzerrungen oder Fehlinterpretationen führen könnten. Zugleich ist es wichtig, dass Dritte bei der Verarbeitung von persönlichen Daten keinerlei Rückschlüsse auf empfindliche Informationen ziehen können. Das trainierte Modell sowie der gesamte Verkehr zwischen Cloud und Edge wird daher verschlüsselt.

Open-Source-Frameworks wie MindSpore, TensorFlow oder PyTorch erhöhen derweil die Transparenz bei der Verarbeitung der Daten, da der Quellcode öffentlich einsehbar ist und Entwickler die Algorithmen klar nachvollziehen können. Die Wahl der Entwicklungsumgebung spielt beim Aufbau einer smarten Edge-Lösung eine wichtige Rolle: Voraussetzung sind einheitliche APIs sowie robuste Funktionen für die Entwicklung, Ausführung und Bereitstellung von KI-Modellen. Eine hohe Ressourceneffizienz und Zugänglichkeit für die Entwickler bringen klare Vorteile.

Markt für Edge Infrastruktur wächst

Im idealen Zusammenspiel können Edge-Lösungen mit starken KI-Prozessoren nicht nur Smart City-Konzepte oder intelligente Fertigungsanlagen ermöglichen, sondern auch die Umsetzung von automatisierten Robotik-Lösungen oder autonomen Transportsystemen unterstützen. Durch die schnell wachsende Perfomance der Technologie steigt die Vielfalt der denkbaren Anwendungsszenarien. Das große Interesse an Edge Computing ist daher alles andere als ein flüchtiger Trend.

The edge will eat the cloud“, schrieb der Gartner-Analyst Thomas Bittman bereits im Jahr 2017 und mahnte, dass es in Anbetracht des riesigen Potenzials sehr bald nötig sein werde, eine Edge-Strategie zu haben. Aktuelle Prognosen zeigen, dass er damit nicht falsch lag: Laut IDC soll der Markt für IoT-Edge-Infrastruktur bis zum Jahr 2023 auf 16 Milliarden Dollar wachsen.

Philip Fassing.
Philip Fassing.
(Bild: Palmer Hargreaves)

Über den Autor

Philip Fassing beschäftigt sich als PR-Redakteur bei Palmer Hargreaves mit den verschiedenen Themenbereichen der IT-Branche und war bereits für diverse Fachmedien als Autor tätig. Zu seinen Schwerpunkten gehören IT-Infrastrukturen und Security.

(ID:47636051)