Die praktischen Anwendungen von KI am Netzwerkrand verstehen

Die Edge-KI-Technologie verarbeitet und analysiert Daten direkt auf Geräten wie PCs, IoT-Geräten oder spezialisierten Edge-Servern. Indem sie Vorgänge lokal ausführt, ermöglicht sie eine schnellere und besser zugängliche Datenspeicherung und -verarbeitung. So lassen sich häufige Probleme von Cloud-Systemen wie Latenz und begrenzte Bandbreite vermeiden, was zu einer schnelleren und zuverlässigeren Leistung führt. Bei autonomen Fahrzeugen ist die lokale Verarbeitung beispielsweise für Entscheidungen in Echtzeit unverzichtbar, etwa um Hindernisse zu erkennen oder sofort auf Verkehrssignale zu reagieren. Durch die direkte Verarbeitung der Daten im Fahrzeug ermöglicht Edge-KI Reaktionen in Sekundenbruchteilen, die bei der Nutzung eines weit entfernten Cloud-Servers zu langsam wären.

Edge-KI wird immer beliebter; der globale Markt soll bis 2034 ein Volumen von 143,06 Milliarden US-Dollar erreichen. Verschiedene Branchen setzen Edge-KI ein, um Arbeitsabläufe zu verbessern, Aufgaben zu automatisieren und Innovationen anzustoßen und zugleich Herausforderungen wie Latenz, Sicherheit und Kosten anzugehen.

In diesem Artikel sehen wir uns an, wie Edge-KI Bereiche wie das Gesundheitswesen und die Fertigung verändert und was du bei der praktischen Umsetzung beachten solltest.

Abb. 1 Der globale Edge-KI-Markt.

So funktioniert Edge AI#

Edge-KI verbindet Edge Computing mit künstlicher Intelligenz (KI). Edge Computing ist ein technischer Ansatz, bei dem Daten näher am Ort ihrer Entstehung verarbeitet werden. Das ermöglicht Analysen in Echtzeit, höhere Zuverlässigkeit und Kosteneinsparungen. Die KI-Komponente bringt Algorithmen des maschinellen Lernens direkt an den Rand des Netzwerks, sodass Geräte lokal intelligente Entscheidungen treffen können. Dieser Ansatz verringert den Bedarf an einer zentralisierten Cloud oder einem Rechenzentrum, die zu Verzögerungen bei der Verarbeitung führen können. Für komplexere Datenspeicherung, Analysen in größerem Maßstab und Aktualisierungen von KI-Modellen kann die Cloud weiterhin eingesetzt werden und so die schnellere lokale Verarbeitung durch Edge-KI ergänzen.

Abb. 2 Überblick über Edge-KI.

So funktionieren Edge-AI-Systeme:

• Datenerfassung: Sensoren am Gerät erfassen Rohdaten aus der Umgebung, etwa Temperaturwerte oder den Gerätestatus in industriellen Umgebungen.
• Datenbereinigung: Die erfassten Daten werden schnell auf dem Gerät verarbeitet, um Störsignale herauszufiltern und relevante Informationen in den Mittelpunkt zu stellen.
• Vorhersagen treffen: Ein direkt im Edge-Gerät eingebettetes KI-Modell analysiert die bereinigten Daten.
• Entscheidungsfindung: Auf der Grundlage der Analyse trifft das KI-System Entscheidungen und leitet notwendige Aktionen oder Reaktionen ein.

Edge AI im Vergleich zu Cloud AI#

Edge AI und Cloud AI sind zwei unterschiedliche Ansätze zur Implementierung von KI. Jeder Ansatz bietet eigene Vorteile und bringt Kompromisse mit sich. Wie bereits besprochen, werden Daten bei Edge AI direkt auf lokalen Geräten verarbeitet. Das sorgt für geringe Latenz, mehr Datenschutz und eine minimale Abhängigkeit von der Internetverbindung.

Im Gegensatz zu Edge-KI verwendet Cloud-KI entfernte Server zur Datenverarbeitung und bietet dadurch mehr Skalierbarkeit und Flexibilität. Dies geht jedoch oft mit höherer Latenz und einem größeren Bandbreitenverbrauch einher, da die Daten über das Internet übertragen werden müssen. Cloud-KI kann außerdem Datenschutzbedenken aufwerfen, weil sensible Daten an externe Server übertragen und dort gespeichert werden müssen.

Abb. 3 Edge AI im Vergleich zu Cloud AI.

Ein weiterer wichtiger Unterschied betrifft die Kosten und die Belastung des Netzwerks durch Cloud-KI. Die Verarbeitung auf leistungsstarken Remote-Servern kann teuer sein, insbesondere bei großen Datenmengen wie Video- oder Audiodaten. Werden diese Daten über das Netzwerk übertragen, steigt die Belastung zusätzlich.

Edge AI begegnet diesen Herausforderungen, indem Daten direkt auf dem Gerät verarbeitet werden. So sinken die cloudbezogenen Kosten, das Netzwerk wird entlastet und sensible Informationen bleiben vor Ort geschützt. Statt Rohdaten werden in der Regel nur die Endergebnisse (oder Inferenz-Ergebnisse) übertragen. Das ist effizienter und schützt die Privatsphäre besser.

Edge AI zur Bilderkennung#

Computer-Vision-Anwendungen analysieren häufig riesige Mengen unstrukturierter Daten, also Daten ohne vordefiniertes Format, vor allem Bilder und Videos. In Situationen, in denen eine Überwachung in Echtzeit erforderlich ist, kann es ineffizient sein, all diese Daten zur Verarbeitung an einen entfernten Cloud-Server zu senden. Eine gute Lösung ist es, Computer-Vision-Modelle auf Edge-Geräten auszuführen.

Computer-Vision-Modelle wie Ultralytics YOLO11 werden häufig in der Cloud trainiert, können aber am Netzwerkrand bereitgestellt werden, um Echtzeitanwendungen direkt vor Ort zu unterstützen. YOLO11 wurde speziell für Aufgaben entwickelt, bei denen sofortige Reaktionen erforderlich sind. Dadurch eignet es sich besonders für Anwendungen wie Sicherheitssysteme, Qualitätskontrollsysteme und Smart-Home-Geräte. Diese Anwendungen arbeiten effizienter, wenn sie Daten lokal verarbeiten, direkt dort, wo visuelle Informationen von Kameras, Sensoren und anderen Geräten erfasst werden.

Abb. 4 Bereitstellung von Computer-Vision-Modellen am Netzwerkrand.

Anwendungen von Edge AI#

Nachdem wir uns angesehen haben, was Edge AI ist, werfen wir nun einen genaueren Blick auf einige praktische Anwendungen.

Edge AI im Gesundheitswesen#

Eine schnelle Diagnose und eine hervorragende Patientenversorgung haben in jeder Gesundheitseinrichtung höchste Priorität. Edge-KI spielt eine wichtige Rolle dabei, diese Ziele zu erreichen. Gesundheitsdienstleister erleben durch den Einsatz von Edge-KI und intelligenten Geräten tiefgreifende Veränderungen. Gemeinsam ermöglichen diese Technologien schnellere, sicherere und reaktionsfähigere Gesundheitssysteme.

Mit Edge-KI ausgestattete tragbare Geräte können beispielsweise kontinuierlich Vitalwerte wie Herzfrequenz, Blutdruck, Blutzucker und Atmung überwachen. Sie können sogar plötzliche Stürze erkennen und Pflegekräfte sofort benachrichtigen. In Krankenwagen kann Edge-KI Daten von Patientenmonitoren direkt vor Ort analysieren. Die daraus gewonnenen Erkenntnisse lassen sich an Ärztinnen und Ärzte weitergeben, damit sie Behandlungen vorbereiten können, bevor die Patientin oder der Patient im Krankenhaus eintrifft.

Edge-KI kann auch bei der Bereitstellung von Computer-Vision-Modellen wie YOLO11 helfen, etwa für die Objekterkennung von medizinischem Personal. Bei dieser Anwendung werden die Standorte und Bewegungen von medizinischem Fachpersonal in einem Raum in Echtzeit ermittelt. So lassen sich die Einhaltung von Sicherheitsprotokollen überwachen und das Situationsbewusstsein verbessern.

Die Objekterkennung kann überprüfen, ob das Personal während Eingriffen richtig positioniert ist und Hygiene- und Sicherheitsrichtlinien einhält, etwa indem es einen sicheren Abstand zu Geräten wahrt. Edge-KI liefert wertvolle Erkenntnisse, ohne dass im Operationssaal eine ständige Verbindung zur Cloud erforderlich ist. So bleiben die Daten geschützt und medizinische Teams erhalten sofort Rückmeldung.

Abb. 5. Beispiel für die Überwachung des Krankenhauspersonals mit Ultralytics YOLO11.

Edge AI für die industrielle Automatisierung#

Hersteller auf der ganzen Welt nutzen Edge-AI-Technologie, um ihre Abläufe schneller, effizienter und produktiver zu gestalten. Mithilfe von Echtzeitdaten aus Sensoren und IoT-Geräten ermöglicht Edge AI die vorausschauende Wartung. So können Fabriken erste Anzeichen von Geräteausfällen erkennen und Defekte vor dem Auftreten größerer Probleme vorhersagen. Dieser proaktive Ansatz trägt dazu bei, Ausfallzeiten zu reduzieren, die Lebensdauer von Geräten zu verlängern und einen reibungslosen Betrieb sicherzustellen.

Edge-KI verbessert auch die Qualitätskontrolle, indem Vision-KI Produktfehler erkennt, bevor die Produkte für den Versand verpackt werden. Durch die direkte Analyse von Bildern und Videos vor Ort kann Edge-KI Mängel schnell erkennen und sicherstellen, dass nur hochwertige Produkte die Kundschaft erreichen. Sofortiges Feedback ermöglicht es Herstellern, Probleme umgehend zu beheben, Abfall zu verringern, die Produktstandards zu verbessern und die Kundenzufriedenheit zu steigern.

Edge AI für IoT-Geräte zu Hause#

Von intelligenten Türklingeln, die beim Näherkommen einer Person automatisch läuten, bis hin zu Lampen, die sich ausschalten, wenn niemand im Raum ist: Smart Homes sind mit Geräten ausgestattet, die mithilfe von Edge-KI die Lebensqualität der Bewohnerinnen und Bewohner verbessern. Ob jemand sehen möchte, wer vor der Tür steht, oder die Raumtemperatur per Smartphone anpassen will – Edge-Technologie ermöglicht dies, indem sie Daten direkt vor Ort verarbeitet, statt sich auf einen entfernten Server zu verlassen. Edge-KI schützt die Privatsphäre der Bewohnerinnen und Bewohner und verringert das Risiko eines unbefugten Zugriffs auf persönliche Daten.

Bei der Hausautomatisierung ist die lokale Verarbeitung durch Edge-KI für Anwendungen entscheidend, die sofortiges Feedback erfordern. Dazu gehören Sicherheitssysteme, Beleuchtung und die Steuerung des Raumklimas. Indem sie Daten am Netzwerkrand verarbeiten, können Smart Homes unabhängig und ohne Internetverbindung funktionieren. Außerdem kann Edge-KI in Verbindung mit Computer Vision die Barrierefreiheit in Wohnräumen verbessern. Mithilfe von Techniken wie der menschlichen Pose Estimation lassen sich Systeme zur Erkennung von Handgesten entwickeln, mit denen sich andere Geräte im Haus, etwa Lampen oder Fernseher, steuern lassen.

Abb. 6 Smart-Home-Steuerungssystem mit Edge-KI.

Herausforderungen und Einschränkungen#

Trotz ihrer Vorteile entwickeln sich Edge-AI-Systeme noch weiter und stehen vor bestimmten Herausforderungen und Einschränkungen. Hier sind einige Punkte, die du berücksichtigen solltest, bevor du Edge-AI-Lösungen in deinem Unternehmen oder zu Hause einführst.

• Sicherheitsrisiken: Edge AI erhöht zwar die Sicherheit, indem Daten lokal bleiben, ist aber auch vor Ort gewissen Risiken ausgesetzt, die vor allem auf menschliche Fehler und unsichere Passwörter zurückzuführen sind.
• Begrenzte Rechenleistung: Edge-KI-Systeme verfügen in der Regel über weniger Rechenleistung als Cloud-KI und sind dadurch auf bestimmte Aufgaben beschränkt. Während die Cloud große Modelle verarbeiten kann, eignet sich Edge-KI am besten für einfachere, kleinere Aufgaben.
• Kompatibilitätsprobleme zwischen Maschinen: Besonders in Unternehmen muss Edge-KI mit verschiedenen Maschinentypen zurechtkommen. Kompatibilitätsprobleme können zu Störungen und Ausfällen führen, wenn nicht miteinander kompatible Maschinen zusammen eingesetzt werden.

Das Potenzial des Netzwerkrands nutzen#

Edge AI ermöglicht es Branchen, schneller zu arbeiten und bessere Entscheidungen zu treffen, indem Daten direkt dort verarbeitet werden, wo sie entstehen. Dieser Ansatz beschleunigt Abläufe, verbessert die Datensicherheit und senkt die Internetkosten.

In Bereichen wie Gesundheitswesen, Fertigung und Smart Homes steigert Edge-KI die Effizienz und ermöglicht schnelle Entscheidungen, ohne dass eine ständige Cloud-Verbindung erforderlich ist. Zwar gibt es einige Einschränkungen, etwa mögliche Sicherheitsrisiken und eine begrenzte Kapazität für komplexe Aufgaben, doch durch die Fähigkeit, Aufgaben in Echtzeit zu bewältigen, ist Edge-KI ein wertvolles Werkzeug für die Zukunft.

Besuche unser GitHub-Repository und tausche dich in unserer Community aus, um mehr zu erfahren. Auf unseren Lösungsseiten findest du KI-Anwendungen für selbstfahrende Autos und die Landwirtschaft.