Edge Computing

Edge Computing ist eine verteilte IT-Architektur, bei der Kundendaten am Rande des Netzes verarbeitet werden. des Netzes verarbeitet werden, und zwar so nah wie möglich an der Ursprungsquelle. Durch die Verlagerung von Datenverarbeitungsaufgaben weg von zentralisierten Cloud-Computing-Rechenzentren verlagert, reduziert dieses Paradigma dieses Paradigma die Latenzzeiten und die Bandbreitennutzung im Netz erheblich. Dieser Ansatz befähigt Geräte wie intelligente Kameras, Sensoren und Mobiltelefone zur Echtzeit-Inferenz durchzuführen, was eine schnelle Entscheidungen zu treffen, ohne auf eine kontinuierliche Hochgeschwindigkeits-Internetverbindung zu einem entfernten Server angewiesen zu sein.

Die Bedeutung von Edge Computing für KI

Die Integration von Modellen des maschinellen Lernens (ML) in die Edge-Infrastruktur hat den Umgang mit Daten in der Industrie revolutioniert. Durch die Ausführung von Algorithmen direkt auf der Hardware, können Unternehmen mehrere entscheidende Vorteile für Computer Vision (CV) und IoT-Anwendungen:

• Geringere Latenzzeit: Für zeitkritische Anwendungen ist die Zeit, die für das Senden von Daten an die Cloud zu senden und auf eine Antwort zu warten, ist oft inakzeptabel. Edge Computing ermöglicht Reaktionszeiten im Millisekundenbereich, was für autonome Systeme unerlässlich ist.
• Bandbreiteneffizienz: Das Streaming von hochauflösenden Videos von Tausenden von Kameras verbraucht immense Bandbreite. Durch die lokale Analyse von Videoströmen können die Geräte nur Metadaten oder Warnmeldungen senden, was die Kosten für die Datenübertragung drastisch senkt. Datenübertragungskosten drastisch senken.
• Erhöhter Datenschutz: Die Verarbeitung sensibler personenbezogener Daten, wie Gesichtsbilder oder medizinische Daten, direkt auf dem Gerät minimiert das Risiko von Datenverletzungen während der Übertragung und unterstützt die Einhaltung von Vorschriften wie GDPR.
• Betriebszuverlässigkeit: Edge-Geräte können unabhängig in abgelegenen Umgebungen mit instabiler Konnektivität, wie z. B. auf Bohrinseln oder auf landwirtschaftlichen Feldern, die Techniken der Präzisionslandwirtschaft.

Edge Computing vs. verwandte Konzepte

Um die Landschaft der verteilten Verarbeitung vollständig zu verstehen, ist es hilfreich, Edge Computing von ähnlichen Begriffen zu unterscheiden Begriffen zu unterscheiden:

• Edge AI: Obwohl oft synonym verwendet häufig synonym verwendet wird, bezieht sich Edge AI speziell auf die Ausführung von Algorithmen der künstlichen Intelligenz auf lokaler Hardware. Edge Computing stellt die physische Infrastruktur und Topologie zur Verfügung, während Edge AI die die spezifische intelligente Arbeitslast, die auf dieser Infrastruktur läuft.
• Internet der Dinge (IoT): IoT bezieht sich auf das physische Netzwerk verbundener Objekte - Sensoren, Software und andere Technologien -, die Daten sammeln und austauschen. Edge Computing ist die Verarbeitungsebene, die die von diesen IoT-Geräten erzeugten Daten verarbeitet. IoT-Geräten erzeugt werden.
• Fog Computing: Wird oft als dezentralisierte Computerinfrastruktur beschrieben, fungiert Fog Computing als eine Zwischenschicht zwischen dem Edge und der Cloud. Es übernimmt in der Regel die Datenaggregation und Vorverarbeitung auf der Ebene eines lokalen Netzwerks (LAN), bevor es Erkenntnisse an die Cloud sendet.

Anwendungsfälle in der Praxis

Edge Computing ist die Grundlage für eine Vielzahl innovativer Technologien in verschiedenen Branchen:

• Autonome Fahrzeuge: Selbstfahrende Autos erzeugen täglich Terabytes an Daten von LiDAR, Radar und Kameras. Sie sind auf leistungsstarke Bordcomputern, wie zum Beispiel dem NVIDIA Jetson, um Fußgänger detect Fußgänger zu erkennen, Verkehrssignale zu interpretieren und blitzschnelle Navigationsentscheidungen zu treffen, ohne auf Anweisungen aus der Cloud zu warten. Anweisungen.
• Intelligente Fertigung: In der Bereich der Industrie 4.0 nutzen Fabriken Edge Gateways um den Zustand der Anlagen zu überwachen. Algorithmen analysieren Schwingungs- und Temperaturdaten, um eine um eine vorausschauende Wartung durchzuführen und Maschinenausfälle zu erkennen, bevor sie auftreten, um Wartungspläne zu optimieren und Ausfallzeiten zu reduzieren.
• Intelligenter Einzelhandel: Läden nutzen Objekterkennung auf Edge-Geräten zur Verwaltung Inventar in Echtzeit zu verwalten und kassenlose Kassiervorgänge zu ermöglichen, indem sie Videoübertragungen innerhalb des Ladens verarbeiten, um Produktbewegungen track und das Kundenverhalten zu analysieren.

Optimierung von Modellen für den Rand

Der Einsatz von KI-Modellen auf Edge-Geräten erfordert häufig Optimierungsverfahren, um sicherzustellen, dass sie effizient auf Hardware mit begrenzter Leistung und begrenztem Speicher, wie dem Raspberry Pi oder Google Edge TPU. Techniken wie Modellquantisierung und Pruning reduzieren die Modellgröße und die Rechenlast.

Ein üblicher Arbeitsablauf beinhaltet das Training eines Modells wie YOLO11 und dann in ein hochoptimiertes Format wie ONNX oder TensorRT für den Einsatz.

Das folgende Python zeigt, wie ein YOLO11 in das ONNX exportiert werden kann, um es für den Einsatz auf verschiedenen Edge-Hardware-Plattformen:

from ultralytics import YOLO

# Load a lightweight YOLO11 model (Nano size is ideal for edge devices)
model = YOLO("yolo11n.pt")

# Export the model to ONNX format for broad hardware compatibility
# This generates a 'yolo11n.onnx' file optimized for inference engines
model.export(format="onnx")