Praxisnahe Anwendungen von Edge AI verstehen

Die Technologie Edge AI, die Daten direkt auf Geräten wie Personal Computern, IoT-Geräten oder spezialisierten Edge-Servern verarbeitet und analysiert, macht die Datenspeicherung und -verarbeitung schneller und zugänglicher, indem sie Vorgänge lokal ausführt. Sie hilft, häufige Probleme von Cloud-Systemen wie Latenz und Bandbreitenbeschränkungen zu vermeiden, und ermöglicht dadurch eine schnellere und zuverlässigere Leistung. In autonomen Fahrzeugen ist die lokale Verarbeitung beispielsweise für Entscheidungen in Echtzeit unerlässlich, etwa um Hindernisse zu erkennen oder sofort auf Verkehrssignale zu reagieren. Durch die direkte Verarbeitung der Daten im Fahrzeug ermöglicht Edge AI Reaktionen innerhalb von Sekundenbruchteilen, die bei einer Verbindung zu einem weit entfernten Cloud-Server zu langsam wären.

Edge AI wird zunehmend beliebter. Der globale Markt soll bis 2034 ein Volumen von 143,06 Milliarden US-Dollar erreichen. Verschiedene Branchen nutzen Edge AI, um Arbeitsabläufe zu verbessern, Aufgaben zu automatisieren und Innovationen voranzutreiben und zugleich Herausforderungen wie Latenz, Sicherheit und Kosten zu bewältigen.

In diesem Artikel sehen wir uns an, wie Edge AI in Bereichen wie Gesundheitswesen und Fertigung Veränderungen bewirkt, und gehen auf einige Punkte ein, die du bei der Umsetzung berücksichtigen solltest. Legen wir los!

Abb. 1. Der globale Edge-AI-Markt.

So funktioniert Edge AI#

Edge AI verbindet Edge Computing mit künstlicher Intelligenz (AI). Edge Computing ist ein technologischer Ansatz, bei dem Daten näher an ihrem Entstehungsort verarbeitet werden. Das ermöglicht Analysen in Echtzeit, eine höhere Zuverlässigkeit und Kosteneinsparungen. Die AI-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. Die Cloud kann weiterhin für die komplexere Datenspeicherung, Analysen in größerem Maßstab und Aktualisierungen von AI-Modellen eingesetzt werden und ergänzt damit die schnellere, lokale Verarbeitung durch Edge AI.

Abb. 2. Eine Übersicht über Edge AI.

So funktionieren Edge-AI-Systeme:

• Datenerfassung: Sensoren am Gerät erfassen Rohdaten aus der Umgebung, zum Beispiel Temperaturmesswerte oder den Status von Anlagen in industriellen Umgebungen.
• Datenbereinigung: Die erfassten Daten werden direkt auf dem Gerät schnell verarbeitet, um Rauschen herauszufiltern und sich auf relevante Details zu konzentrieren.
• Vorhersagen treffen: Die bereinigten Daten werden von einem direkt im Edge-Gerät eingebetteten AI-Modell analysiert.
• Entscheidungsfindung: Auf Grundlage der Analyse trifft das AI-System Entscheidungen und leitet erforderliche Aktionen oder Reaktionen ein.

Edge AI im Vergleich zu Cloud AI#

Edge AI und Cloud AI sind zwei unterschiedliche Ansätze zur Implementierung von AI, die jeweils eigene Vorteile und Nachteile bieten. Wie bereits bei Edge AI erläutert, werden die Daten direkt auf lokalen Geräten verarbeitet. Das sorgt für eine geringe Latenz, mehr Datenschutz und eine minimale Abhängigkeit von der Internetverbindung.

Im Gegensatz zu Edge AI nutzt Cloud AI entfernte Server zur Datenverarbeitung und bietet dadurch eine größere Skalierbarkeit und Flexibilität. Dies geht jedoch häufig mit einer höheren Latenz und einem größeren Bandbreitenverbrauch einher, da Daten über das Internet übertragen werden müssen. Cloud AI kann außerdem Bedenken hinsichtlich des Datenschutzes aufwerfen, weil vertrauliche 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 Netzwerkauslastung bei Cloud AI. Die Verarbeitung auf leistungsstarken entfernten Servern kann teuer sein, insbesondere bei großen Datenmengen wie Audio oder Video. Das Übertragen dieser Daten über das Netzwerk erhöht die Belastung zusätzlich.

Edge AI bewältigt diese Herausforderungen, indem die Daten direkt auf dem Gerät verarbeitet werden. Dadurch sinken die Cloud-Kosten, die Netzwerklast wird reduziert und vertrauliche Informationen bleiben vor Ort geschützt. Statt Rohdaten zu senden, werden normalerweise nur die Endergebnisse oder Inferenzdaten übertragen. Das ermöglicht eine effizientere und datenschutzorientierte Lösung.

Edge AI zur Bilderkennung#

Anwendungen der Computer Vision umfassen häufig die Analyse enormer Mengen unstrukturierter Daten, also von Daten ohne vordefiniertes Format, hauptsächlich Bildern und Videos. All diese Daten zur Verarbeitung an einen entfernten Cloud-Server zu senden, kann bei Anwendungen mit Überwachung in Echtzeit ineffizient sein. Eine gute Lösung für dieses Problem ist die Ausführung von Computer-Vision-Modellen auf Edge-Geräten.

Computer-Vision-Modelle wie Ultralytics YOLO11 werden häufig in der Cloud trainiert, können aber am Edge bereitgestellt werden, um Anwendungen in Echtzeit direkt vor Ort zu unterstützen. YOLO11 wurde speziell für Aufgaben entwickelt, die sofortige Reaktionen erfordern, und eignet sich daher besonders für Anwendungen wie Sicherheitssysteme, Qualitätskontrollsysteme und Smart-Home-Geräte. Diese Anwendungen arbeiten effizienter, wenn sie Daten lokal genau dort verarbeiten, wo die visuellen Informationen von Kameras, Sensoren und anderen Quellen erfasst werden.

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

Anwendungen von Edge AI#

Nachdem wir nun die Grundlagen von Edge AI betrachtet haben, sehen wir uns einige Anwendungen in der Praxis genauer an.

Edge AI im Gesundheitswesen#

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

Wearables mit Edge AI können beispielsweise kontinuierlich Vitalwerte wie Herzfrequenz, Blutdruck, Glukosewerte und Atmung überwachen. Sie können sogar plötzliche Stürze erkennen und Pflegekräfte sofort benachrichtigen. In Krankenwagen kann Edge AI Daten von Patientenmonitoren direkt vor Ort analysieren. Die aus der Analyse gewonnenen Erkenntnisse können mit Ärzten geteilt werden, damit diese Behandlungen vorbereiten können, bevor der Patient im Krankenhaus eintrifft.

Edge AI kann auch die Bereitstellung von Computer-Vision-Modellen wie YOLO11 für Anwendungen wie die Objekterkennung von medizinischem Personal unterstützen. Bei dieser speziellen Anwendung werden die Positionen und Bewegungen von medizinischen Fachkräften innerhalb eines Raums in Echtzeit ermittelt. So lässt sich die Einhaltung von Sicherheitsprotokollen überwachen und das Situationsbewusstsein verbessern.

Die Objekterkennung kann überprüfen, ob das Personal während Eingriffen richtig positioniert ist und Hygiene- sowie Sicherheitsrichtlinien einhält, etwa einen sicheren Abstand zu Geräten. Edge AI ermöglicht wertvolle Erkenntnisse ohne eine dauerhafte Cloud-Verbindung im Operationssaal. Dadurch werden der Datenschutz gewährleistet und medizinischen Teams unmittelbare Rückmeldungen gegeben.

Abb. 5. Beispiel für die Überwachung von Krankenhauspersonal 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. Durch die Nutzung von Echtzeitdaten aus Sensoren und IoT-Geräten ermöglicht Edge AI eine vorausschauende Wartung. Fabriken können dadurch frühe Anzeichen eines Geräteausfalls erkennen und Defekte vor dem Auftreten größerer Probleme vorhersagen. Dieser proaktive Ansatz hilft, Ausfallzeiten zu reduzieren, die Lebensdauer von Geräten zu verlängern und einen reibungslosen Betrieb aufrechtzuerhalten.

Edge AI verbessert auch die Qualitätskontrolle, indem Vision AI Produktmängel erkennt, bevor die Produkte für den Versand verpackt werden. Durch die direkte Analyse von Bildern und Videos vor Ort kann Edge AI Fehler schnell identifizieren und sicherstellen, dass nur hochwertige Produkte die Kunden erreichen. Unmittelbare Rückmeldungen ermöglichen es Herstellern, Probleme sofort zu beheben, Abfall zu reduzieren, die Produktqualität zu verbessern und die Kundenzufriedenheit zu steigern.

Edge AI für IoT-Geräte zu Hause#

Von intelligenten Türklingeln, die automatisch klingeln, wenn sich jemand nähert, bis hin zu Lampen, die sich ausschalten, sobald ein Raum leer ist: In Smart Homes gibt es zahlreiche Geräte, die Edge AI nutzen, um die Lebensqualität der Bewohner zu verbessern. Ob jemand über sein Smartphone sehen möchte, wer vor der Tür steht, oder die Temperatur im Haus anpassen will – Edge-Technologie macht dies möglich, indem sie Daten direkt vor Ort verarbeitet, statt sich auf einen entfernten Server zu stützen. Der Einsatz von Edge AI schützt die Privatsphäre der Bewohner und verringert das Risiko eines unbefugten Zugriffs auf persönliche Daten.

Bei der Hausautomation ist die lokale Verarbeitung durch Edge AI für Anwendungen, die sofortige Rückmeldungen benötigen, von entscheidender Bedeutung. Dazu gehören Sicherheitssysteme, Beleuchtungssysteme und Umgebungssteuerungen. Durch die Verarbeitung am Edge können Smart Homes unabhängig und ohne Internetverbindung funktionieren. Außerdem kann Edge AI in Verbindung mit Computer Vision die Barrierefreiheit in Wohnräumen verbessern. Mit Verfahren wie der Posenschätzung des Menschen lassen sich Systeme zur Erkennung von Handgesten entwickeln, mit denen andere Systeme im Haus, etwa Lampen oder Fernseher, gesteuert werden können.

Abb. 6. Ein intelligentes Haussteuerungssystem mit Edge AI.

Herausforderungen und Einschränkungen#

Trotz ihrer Vorteile werden Edge-AI-Systeme weiterentwickelt und stehen vor bestimmten Herausforderungen und Einschränkungen. Hier sind einige Einschränkungen, die du berücksichtigen solltest, bevor du dich für die Integration von Edge-AI-Lösungen in deinem Unternehmen oder zu Hause entscheidest.

• Sicherheitsrisiken: Obwohl Edge AI die Sicherheit verbessert, indem Daten lokal gespeichert werden, bestehen auch auf lokaler Ebene Risiken, die hauptsächlich durch menschliche Fehler und unsichere Passwörter entstehen.

• Begrenzte Rechenleistung: Edge-AI-Systeme verfügen in der Regel über weniger Rechenleistung als cloudbasierte AI-Systeme, wodurch sie auf bestimmte Aufgaben beschränkt sind. Während die Cloud große Modelle verarbeiten kann, eignet sich Edge AI am besten für einfachere und kleinere Aufgaben.

• Kompatibilitätsprobleme zwischen Maschinen: Besonders in Unternehmen steht Edge AI vor Herausforderungen durch unterschiedliche Maschinentypen. Kompatibilitätsprobleme können zu Störungen und Ausfällen führen, wenn inkompatible Maschinen gemeinsam eingesetzt werden.

Die Leistungsfähigkeit des Edge 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 Internetkosten.

In Bereichen wie Gesundheitswesen, Fertigung und Smart Homes steigert Edge AI die Effizienz und ermöglicht schnelle Entscheidungen, ohne auf einen ständigen Cloud-Zugriff angewiesen zu sein. Trotz einiger Einschränkungen, etwa potenzieller Sicherheitsrisiken und einer begrenzten Kapazität für komplexe Aufgaben, macht die Fähigkeit von Edge AI, Aufgaben in Echtzeit zu verarbeiten, die Technologie zu einem wertvollen Werkzeug für die Zukunft.

Weitere Informationen findest du in unserem GitHub-Repository. Du kannst dich außerdem an unserer Community beteiligen. Entdecke AI-Anwendungen in selbstfahrenden Autos und der Landwirtschaft auf unseren Lösungsseiten. 🚀