- AI
Die Fähigkeiten von AI mit Edge AI über die Cloud hinaus erweitern
Was bedeutet Edge AI im Kontext industrieller IoT-Ökosysteme?

In der sich wandelnden Technologielandschaft vollzieht sich ein bemerkenswerter Umbruch, der das Zusammenspiel von Artificial Intelligence (AI) und IoT neu gestaltet. Im Mittelpunkt dieser Entwicklung steht das Konzept Edge AI, das die Horizonte von AI über die Grenzen des Cloud Computing hinaus erweitert. Edge AI bedeutet, AI-Anwendungen auf greifbaren, realen Geräten einzusetzen, bei denen Berechnungen und AI-Inferenz am äußeren Rand des Netzwerks, nahe an den Datenquellen, stattfinden. Zentral für diesen Wandel sind Edge-Geräte, eine neue Generation intelligenter Werkzeuge, die auf den Betrieb am Netzwerkrand zugeschnitten sind. Diese Geräte verfügen über leistungsstarke Verarbeitungsfunktionen und enthalten AI-Funktionen für die lokale Datenanalyse, die die Latenz minimieren, Entscheidungen in Echtzeit ermöglichen und die Nutzung von Netzwerkressourcen optimieren. Im Gegensatz zu herkömmlichen IoT-Geräten und der Übertragung von Daten an entfernte Cloud-Server versetzt Edge Computing AI-Modelle in die Lage, direkt auf diesen Geräten zu laufen, und verbessert so die betriebliche Effizienz und die Fähigkeit, Daten in Echtzeit zu verarbeiten. Damit wird Edge AI zu einem Wachstumsmotor in verschiedenen Branchen und eröffnet Unternehmen in einem zunehmend datengetriebenen Umfeld neue Möglichkeiten.
Die wichtigsten Vorteile von Edge AI
Im industriellen Kontext hat sich das Paradigma des Internet of Things (IoT) weit verbreitet und zur Entstehung eines Ökosystems geführt, das als Industrial IoT (IIoT) bezeichnet wird. Es nutzt Daten von Maschinen und Systemen, um Fertigungs- und Industrieprozesse zu verbessern. Dieser fortlaufende Wandel bedeutet die Verschmelzung von Hochleistungsmaschinen mit fortschrittlichen Sensoren und Steuerelektronik und stärkt damit die Business Intelligence. Mit zunehmender Komplexität der IIoT-Netzwerke entstehen jedoch Herausforderungen, etwa in Bezug auf Latenz, Netzwerkverfügbarkeit und Datensicherheit.
Durch den Einsatz von AI-Algorithmen auf Edge-Geräten ist Edge AI eine wirksame Antwort auf diese Herausforderungen Cloud-basierter AI. Die Verbindung von AI und Edge Computing ist auf AI-Aufgaben in Echtzeit mit niedriger Latenz zugeschnitten und bietet eine Reihe von Vorteilen, darunter:
- Geringere Kosten für die Datenübertragung: Edge AI verringert den Bedarf an umfangreichen Datenübertragungen an entfernte Rechenzentren wirksam, was die Netzwerkkosten deutlich senkt.
- Ausfallsichere Konnektivität: Bei zeitweise eingeschränkter Netzwerkverfügbarkeit behalten Geräte mit integrierter Edge AI ihre Betriebsfähigkeit und gewährleisten auch bei wechselnden Netzwerkbedingungen einen unterbrechungsfreien Betrieb.
- Mehr Datenschutz und Datensicherheit: Durch die lokale Datenverarbeitung bleiben sensible Informationen innerhalb der Grenzen der Edge-Geräte, sodass die möglichen Risiken des Abfangens von Daten bei der Übertragung wirksam verringert werden.
- Autonomie der Geräte: Edge AI verleiht Geräten die Fähigkeit, auf lokaler Ebene intelligente Entscheidungen zu treffen, wodurch die Abhängigkeit von zentralen Cloud-Ressourcen sinkt und die Zuverlässigkeit der Geräte steigt.
- Minimale Latenz: Die Verarbeitung von Daten am Edge ist ideal für Anwendungen, die schnelle Entscheidungen erfordern, und liefert rasch Erkenntnisse aus eingehenden Datenströmen.
Edge-AI-Anwendungen verändern die industrielle Effizienz
Mit diesen zentralen Vorteilen bietet Edge AI in einer Reihe industrieller Szenarien transformatives Potenzial und ermöglicht eine effiziente Datenverarbeitung, Entscheidungen in Echtzeit, Kosteneffizienz und Anpassungsfähigkeit.
Ein Beispiel sind industrielle Umgebungen, in denen Maschinenstillstände erhebliche finanzielle Folgen haben. In solchen Kontexten erweist sich Edge AI als äußerst geeignete Lösung. Werden AI-Algorithmen direkt auf Edge-Geräten wie Sensoren und Controllern implementiert, wird eine kontinuierliche Überwachung des Anlagenzustands möglich. Die Erkennung von Anomalien und möglichen Störungen in Echtzeit erlaubt es, Strategien der vorausschauenden Wartung umzusetzen. Dieser proaktive Ansatz minimiert Betriebsunterbrechungen, senkt die Wartungskosten und verlängert die Lebensdauer kritischer Anlagen.
Im Kontext der modernen Fertigung, in der strenge Standards für die Qualitätskontrolle unerlässlich sind, findet sich ein weiteres Beispiel. Edge AI versetzt Hersteller in die Lage, Produktionsprozesse in Echtzeit zu überwachen und zu analysieren. In die Fertigungslinie integrierte Kameras und Sensoren erfassen Daten, die per AI-Algorithmen sofort vor Ort verarbeitet werden. Die schnelle Erkennung von Abweichungen oder Fehlern erlaubt es Herstellern, umgehend Korrekturmaßnahmen zu ergreifen. Das führt wiederum zu weniger Ausschuss, höherer Produktionseffizienz und größerer Kundenzufriedenheit.
Darüber hinaus läutet die Verbindung von Edge AI und autonomer Robotik in verschiedenen Branchen eine neue Ära der Automatisierung ein. Wenn Roboter Sensordaten lokal verarbeiten und Entscheidungen am Edge treffen können, bewegen sich diese Maschinen sehr geschickt in komplexen Umgebungen. Diese Fähigkeit ist besonders wichtig in Branchen wie Logistik und Lagerhaltung, in denen effiziente Entscheidungen in Echtzeit entscheidend sind. Die geringere Abhängigkeit von der Cloud-Anbindung versetzt Roboter in die Lage, Aufgaben selbstständig auszuführen, was Produktivität und betriebliche Flexibilität steigert.
Künftige Herausforderungen und Trends bei Edge AI
Dennoch bringt die Integration von AI-Modellen in Edge-Geräte Herausforderungen mit sich, wenn es darum geht, das volle Potenzial von Edge AI zu erschließen. Auf Edge-Geräten, deren Rechenressourcen begrenzt sind und bei denen Einschränkungen bei der Leistungsaufnahme gelten, ist die effiziente Ausführung von AI kompliziert. An möglichen wirksamen Lösungen herrscht jedoch kein Mangel:
- Mit der Methode des Federated Learning lassen sich AI-Modelle gemeinsam auf mehreren Edge-Geräten trainieren, ohne dass Rohdaten an einen zentralen Server übertragen werden. Dieser Ansatz schützt nicht nur die Privatsphäre der Daten, sondern nutzt auch das kollektive Wissen verteilter Geräte, um die Leistung des Modells zu verbessern.
- Die Technik des Edge Caching verringert Bedenken hinsichtlich der Latenz deutlich, verkürzt Antwortzeiten und minimiert Netzwerküberlastung: Werden häufig abgerufene Daten und Modelle direkt auf Edge-Geräten gespeichert, lassen sich wiederholte Anfragen lokal bedienen, ohne auf entfernte Server zuzugreifen.
- Der vielversprechende Ansatz der Model Quantization optimiert die Effizienz, indem hochpräzise Gleitkomma-Modellparameter in Festkommaformate mit geringerer Präzision umgewandelt werden. Quantisierte AI-Modelle laufen effizient auf verschiedenen Hardwarearchitekturen und ermöglichen schnellere, energiesparende Inferenz bei hoher Genauigkeit.
Mit Blick auf die Zukunft ist zudem offensichtlich, dass die Innovation bei Edge-AI-Chips ein fortlaufender Prozess ist, getrieben von der nahtlosen Integration der Fähigkeiten von Edge AI in die Abläufe unterschiedlichster Branchen. Dieser Weg steht für eine bevorstehende Ära dynamischen Wandels, in der Fortschritte bei Hardware, Software und AI-Algorithmen harmonisch zusammenlaufen und Innovationen in einem breiten Spektrum von Anwendungen vorantreiben.
Herkömmliche industrielle CPUs und GPUs, die den wachsenden Anforderungen an die Datenanalyse in sich entwickelnden Netzwerken nicht gewachsen sind, werden von der nächsten Generation von AI-Chips in den Schatten gestellt, die sorgfältig für Edge Computing entwickelt wurden. Diese Chips sind bereit, diese Herausforderungen durch die lokale Verarbeitung von Daten zu meistern.
Fortschritte im Hardwaredesign, die sich in gesteigerter Rechenleistung zeigen, vereinfachen Vorgehensweisen wie Edge Machine Learning Operations (MLOps). MLOps, das DevOps-Prinzipien mit ML-Tools verbindet, vereinfacht den Prozess des Aufbaus, Testens, Deployments und Monitorings von ML-Modellen.
Um dem Problem begrenzter Ressourcen auf Edge-Geräten zu begegnen, können die Geräte der neuesten Generation umfangreiche Modelle aufnehmen und sind mit spezialisierten Prozessoren ausgestattet, die für Inferenzaufgaben optimiert sind. Diese Prozessoren werden durch SDKs und Toolsets für Artificial Intelligence ergänzt, die die Integration von MLOps-Pipelines für ein effizientes Deployment von Modellen weiter vereinfachen.
Das Angebot von SECO zur Weiterentwicklung der Edge-AI-Fähigkeiten
AI-Chipsätze bieten bemerkenswerte Rechenleistung, benötigen aber Carrier-Boards und zugehörige Hardware, um sich nahtlos in reale Anwendungen zu integrieren.
Das umfangreiche Angebot von SECO an Edge-Computing-Produkten, von Modulen bis zu kompletten Lösungen, erspart Systemdesignern die Entwicklung dieser grundlegenden Schnittstellenhardware. Stattdessen können sie sich darauf konzentrieren, AI-Software und -Hardware auf die spezifischen Anforderungen ihrer Anwendung zuzuschneiden, und müssen das Rad des Computing nicht neu erfinden.
Das Angebot von SECO umfasst auch Edge-AI-fähige Lösungen wie den Titan 240 APL, einen lüfterlosen Embedded-Computer mit Prozessoren der Intel® Atom™ X Series, Intel® Celeron® J / N Series und Intel® Pentium® N Series. Außerdem enthält der Standardkatalog von SECO eine neue Linie speziell entwickelter AI-Produkte, etwa den Titan 300 TGL-UP3 AI: einen lüfterlosen Embedded-Computer mit SoCs der Intel® Core™ der 11. Generation und Intel® Celeron®, ergänzt durch den Axelera AI Chip. Dieses Produkt wird von einer einzelnen Metis AIPU mit bis zu 120 TOPS angetrieben, ist das Ergebnis der Zusammenarbeit von SECO mit Axelera AI und verfügt über eine leistungsstarke dedizierte AIPU (AI Processing Unit).
Vorreiter bei der Entwicklung von Edge AI
Die Verarbeitung von Daten am Edge spart Energie, Bandbreite und Speicherplatz und optimiert die physische Infrastruktur. SECO unterstützt seine Kunden dabei, AI nahtlos in ihre Produkte zu integrieren, neue technologische Möglichkeiten zu erschließen und innovative Geschäftsmodelle zu ermöglichen.
SECO bietet zudem Expertise bei der Implementierung von AI-Software. Das umfassende Paket Clea von SECO ist eine robuste IoT-Plattform, die Edge MLOps, Edge- und Cloud-Orchestrierung, das Deployment von AI-Modellen sowie das Monitoring und die Validierung von Updates ermöglicht. Clea bietet eine robuste Lösung für das Geräte-Management vom Edge bis zur Cloud, mit starkem Fokus auf Sicherheit.
Mit über zehn Jahren Erfahrung in geschäftskritischen Infrastrukturen bietet Clea ein bemerkenswertes Maß an Flexibilität, das sowohl von der Cloud als auch von den Geräten unabhängig ist und sich daher für eine Vielzahl von Anwendungsfällen eignet. Es verringert die Abhängigkeit von der Cloud-Infrastruktur wirksam, indem es die lokale Datenverarbeitung ermöglicht, und sorgt so für Kosteneinsparungen, geringeren Energieverbrauch und ein höheres Maß an Sicherheit. Clea übernimmt die Orchestrierung von Data-Science-Workloads, optimiert die physische Infrastruktur und ermöglicht datenbasierte Entscheidungen durch fortschrittliche Analytik.
Wohin kann Edge AI Ihr IoT-Projekt führen?
Zusammengefasst revolutioniert Edge AI die Art, wie Unternehmen Artificial Intelligence nutzen, und spielt eine entscheidende Rolle beim Aufbau intelligenter, reaktionsfähiger IoT-Ökosysteme. Die Bedeutung von Edge AI liegt in ihrer Fähigkeit, Datenverarbeitung in Echtzeit, Kosteneffizienz sowie mehr Datenschutz und Sicherheit bei geringerer Latenz zu bieten und zugleich die Autonomie der Geräte zu stärken. Mit Blick auf die Zukunft bietet Edge AI vielversprechende Perspektiven, da Hardware, Software und AI-Algorithmen zusammenwachsen, um Fortschritte in verschiedenen Bereichen zu beschleunigen.
Kontaktieren Sie noch heute unser Expertenteam, um Edge AI einzusetzen und das Potenzial datengetriebener Innovation für Ihre IoT-Projekte zu erschließen.

In diesem Artikel vorgestellt
Titan 240 APL
Lüfterloser Embedded Computer mit Prozessoren der Intel® Atom™ X Series, Intel® Celeron® J / N Series und Intel® Pentium® N Series (Codename: Apollo Lake). SYS-C41-IPC
- Boxed Solutions
- Intel® Atom™
Ebenfalls in diesem Artikel: Titan 300 TGL-UP3, Titan 300 TGL-UP3 AI
Abonnieren Sie den SECO Newsletter.
Melden Sie sich mit Ihrer E-Mail-Adresse auf seco.com an.





