Schnelle KI am Netzwerkrand
Laut einer aktuellen Studie des Beratungsunternehmens Reply steigt der weltweite Bedarf an Lösungen für Edge Computing derzeit enorm. Ein Grund dafür ist der zunehmende Einsatz des Internets der Dinge. Immer mehr IoT-Sensoren sammeln Daten, zum Beispiel in der Industrie 4.0, um die vorausschauende Wartung von Anlagen und Maschinen zu ermöglichen. Oder in der Logistik, um beim temperaturgeführten Transport von Waren wie Medikamenten oder Nahrungsmitteln eine durchgängige Kühlkette zu garantieren. Allein das Sammeln von Sensordaten reicht jedoch nicht aus, damit sich die Unternehmen entscheidende Vorteile verschaffen können. Vielmehr sollten sie die Daten mithilfe leistungsstarker KI-Prozessoren unmittelbar auswerten. Schnelle und aussagekräftige Analysen lassen sich optimal nutzen, wenn sie in direkter Nähe der IoT-Devices stattfinden und nur ein kurzer Weg zwischen Daten und Recheneinheit liegt.
Edge Devices wie die Atlas 500 AI Edge-Station von Huawei gewährleisten ohne Umwege die schnelle Verarbeitung von Daten am Netzwerkrand. Heißt: Die Daten lassen sich mit extrem geringer Latenz in Echtzeit vor Ort verarbeiten, weil ein Umweg in ein Cloud-Rechenzentrum nicht erforderlich ist. Die Vorteile: Unternehmen können schneller auf Fehler und Störfälle in der Produktion reagieren und Ausfallzeiten von Anlagen und Maschinen vermeiden.
So kommen intelligente Algorithmen zur Edge
Mit der Atlas 500 AI Edge-Station bringt Huawei mehr Intelligenz an den Netzwerkrand. Wie das gelingt, zeigt folgendes Beispiel: Ein Photovoltaikhersteller nutzt die Lösung, um sein Qualitätsmanagement zu verbessern. Bisher überprüfte eine Kamera an der Produktionsmaschine die Qualität der angefertigten Silizium-Module. Auf diese Weise ließen sich jedoch nur 33 Prozent der Produktionsfehler erkennen. Mit dem Edge Device von Huawei und einem entsprechend trainierten KI-Modell erkennt der Solarspezialist nun alle fehlerhaften Module und sortiert sie direkt aus, sodass sie erst gar nicht mehr zum Kunden gelangen.
Das Training des KI-Modells selbst erfolgt allerdings nicht an der Edge, dafür reichen die Ressourcen nicht aus. Daher wandern die Daten in eine zentrale Cloud, wo sich die für das KI-Modell genutzten Algorithmen mithilfe von Machine Learning konstant trainieren und weiterentwickeln lassen. Erzielen sie mit der Zeit bessere Ergebnisse, lassen sich die optimierten Algorithmen über eine einheitliche Geräteverwaltung an alle Edge Devices im Netzwerk ausspielen. So entsteht auch über einzelne Infrastrukturkomponenten hinweg ein konstanter Lernprozess. Bei der Atlas 500 AI Edge-Station sorgen Ethernet-Anschlüsse sowie integrierte LTE-Schnittstellen für den notwendigen flexiblen Zugriff und das schnelle Weiterleiten der gesammelten Daten in eine zentrale Cloud.
Um sichere Abläufe zu gewährleisten, müssen Edge-Technologien über gewisse Schutzmechanismen verfügen. Diese sollten bereits von Beginn an in der Entwicklungsumgebung angelegt sein und das KI-Modell kontinuierlich auf mögliche Schwachstellen überprüfen, die zu Verzerrungen oder Fehlinterpretationen führen könnten. Gleichzeitig dürfen bei der Verarbeitung von persönlichen Daten keinerlei Rückschlüsse auf empfindliche Informationen gezogen werden können. Zusätzlich wird das trainierte Modell sowie der gesamte Verkehr zwischen Cloud und Edge verschlüsselt.
Smart City: Verkehrsströme besser lenken
Moderne Edge-Stationen lassen sich aufgrund ihrer energieeffizienten, kompakten und robusten Bauweise – sie funktionieren bei Extremtemperaturen zwischen -40 und +70 Grad Celsius – für viele anspruchsvolle Anwendungen nutzen. Neben dem Einsatz in der Industrie oder Logistik ist auch die Nutzung in einer Smart City denkbar, um durch die Echtzeitanalyse von Fußgängern und Fahrzeugen intelligente Verkehrskonzepte zu ermöglichen. Dafür filmen Kameras an großen Kreuzungen den fließenden Verkehr. Mit leistungsstarken KI-Prozessoren lassen sich die Informationen vor Ort im Edge Device verarbeiten: Die KI analysiert die Wege von Fußgängern, Radfahrern und Fahrzeugen und passt anhand der Ergebnisse die Ampelschaltungen an. Lange Wartezeiten und Rückstaus an den Ampeln lassen sich vermeiden, was letztlich für einen geringeren CO2-Ausstoß sorgt.