Edge Computing

Edge Computing ist eine verteilte Architektur der Informationstechnologie, die die Verarbeitung und Speicherung von Daten näher an den Ort verlagert, an dem sie benötigt werden, anstatt sich auf einen zentralen Standort zu verlassen, der typischerweise Tausende Kilometer entfernt ist. Bei diesem Ansatz werden Daten in der Nähe ihrer Quelle verarbeitet – etwa auf lokalen Servern, IoT-Gateways oder direkt auf den Geräten –, wodurch sich die Latenz deutlich verringert und die für die Datenübertragung benötigte Bandbreite minimiert wird. Im Kontext von künstlicher Intelligenz und maschinellem Lernen stellt Edge Computing die entscheidende Infrastruktur für die Bereitstellung von Edge AI bereit, sodass anspruchsvolle Modelle direkt auf intelligenten Kameras, Drohnen und Industriesensoren mit unmittelbarer Reaktionsfähigkeit ausgeführt werden können.

Die wichtigsten Vorteile von Edge Computing#

Der Wechsel von der zentralisierten Verarbeitung in der Cloud zur lokalen Verarbeitung am Netzwerkrand bietet mehrere transformative Vorteile, insbesondere für Computer Vision und Echtzeitanalysen.

• Geringere Latenz: Bei herkömmlichen Cloud-Architekturen müssen Daten zur Verarbeitung an ein Rechenzentrum und anschließend zurück zum Gerät übertragen werden. Edge Computing eliminiert diesen Hin- und Rückweg und ermöglicht Echtzeit-Inferenz, bei der Millisekunden entscheidend sind. Das ist für sicherheitskritische Systeme wie autonome Fahrzeuge unverzichtbar, die in Sekundenbruchteilen Bremsentscheidungen treffen müssen.
• Effiziente Bandbreitennutzung: Die Übertragung hochauflösender Videostreams für die Objekterkennung verbraucht enorme Bandbreiten. Durch die lokale Verarbeitung der Rohdaten und die Übermittlung nur relevanter Metadaten oder Warnungen an die Cloud können Unternehmen die Kosten für die Datenübertragung drastisch senken.
• Verbesserter Datenschutz: Sensible Informationen wie medizinische Aufnahmen oder Daten zur Gesichtserkennung können vollständig in der lokalen Umgebung verarbeitet werden. Diese lokale Begrenzung unterstützt die Einhaltung strenger Vorschriften wie der DSGVO, da personenbezogene Daten das Gerät niemals verlassen.
• Offline-Funktionalität: Edge-Geräte können auch bei unterbrochener oder ausgefallener Internetverbindung autonom weiterarbeiten. Diese Zuverlässigkeit ist für Anwendungen wie KI in der Landwirtschaft von entscheidender Bedeutung, bei denen Drohnen auf abgelegenen Feldern mit schlechter Netzabdeckung die Nutzpflanzen überwachen.

Edge Computing im Vergleich zu Cloud Computing#

Während sich Cloud Computing hervorragend für die Speicherung riesiger Datensätze und das Training großer Modelle eignet, konzentriert sich Edge Computing auf die Ausführungsphase. Es ist sinnvoll, beide als sich ergänzende Technologien und nicht als Konkurrenten zu betrachten. Die Cloud wird häufig für das Modelltraining verwendet, bei dem eine hohe Rechenleistung zur Verarbeitung historischer Daten erforderlich ist. Nach dem Training wird das optimierte Modell für die Inferenz am Netzwerkrand bereitgestellt. Dieser hybride Ansatz nutzt die Stärken beider Technologien: die unbegrenzte Skalierbarkeit der Cloud und die Geschwindigkeit des Netzwerkrands.

Anwendungen in der Praxis#

Edge Computing verändert Branchen, indem es Intelligenz direkt in physische Abläufe integriert.

• Intelligente Fertigung: In der industriellen Automatisierung nutzen Fabriken Edge-Gateways, um Sensordaten von Maschinen zu analysieren. Wird eine ungewöhnliche Vibration erkannt, kann das System sofort Verfahren zur vorausschauenden Wartung auslösen und so kostspielige Ausfallzeiten verhindern.
• Intelligenter Einzelhandel: Stationäre Geschäfte nutzen Edge-Kameras für die Bestandsverwaltung. Systeme können die Lagerbestände in den Regalen autonom verfolgen und das Personal zum Auffüllen von Artikeln auffordern. Dadurch wird die betriebliche Effizienz gesteigert, ohne Videostreams von Kunden an externe Server zu übertragen.
• Verkehrsmanagement: Intelligente Städte setzen an Kreuzungen Edge-Knoten zur Steuerung von Verkehrssignalen ein. Durch die lokale Analyse des Verkehrsflusses in Echtzeit können diese Systeme die Ampelschaltung zur Verringerung von Staus optimieren und unabhängig von zentralen Leitstellen arbeiten.

Modelle am Netzwerkrand bereitstellen#

Um komplexe Modelle auf Edge-Geräten mit begrenzten Ressourcen auszuführen, verwenden Entwickler häufig Optimierungstechniken wie die Modellquantisierung oder exportieren die Modelle in spezialisierte Formate wie TensorRT oder ONNX. Die Ultralytics Platform vereinfacht diesen Prozess, indem sie Nutzern ermöglicht, Modelle in der Cloud zu trainieren und nahtlos auf verschiedenen Edge-Zielsystemen bereitzustellen.

Das folgende Beispiel zeigt, wie ein YOLO26-Modell in das NCNN-Format exportiert wird, das für mobile und eingebettete Edge-Geräte hochgradig optimiert ist.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to NCNN format for mobile edge deployment
# This creates a lightweight, optimized version of the model
model.export(format="ncnn")

Verwandte Konzepte#

• Edge AI: Während sich Edge Computing auf die verteilte Infrastruktur bezieht, bezeichnet Edge AI speziell die Anwendung von Algorithmen der künstlichen Intelligenz, die auf dieser Infrastruktur ausgeführt werden.
• Internet der Dinge (IoT): Das Netzwerk physischer Objekte – sogenannter „Dinge“ –, die mit Sensoren und Software ausgestattet sind. Edge Computing stellt die Rechenleistung bereit, durch die diese IoT-Geräte „intelligent“ werden.
• Fog Computing: Eine dezentrale Rechnerinfrastruktur, bei der sich Daten, Rechenleistung, Speicher und Anwendungen irgendwo zwischen der Datenquelle und der Cloud befinden und die häufig als Erweiterung des Cloud Computing bis zum Netzwerkrand betrachtet wird.