Was ist KI in Edge-Netzwerken?

Der rasante technologische Fortschritt hat künstliche Intelligenz (KI) zu einer der vielversprechendsten und wichtigsten Technologien des 21. Jahrhunderts gemacht. Da die Computing-Anforderungen von KI weiterhin exponentiell steigen, verlagern sich viele KI-Workflows jetzt von Cloudumgebungen in Edge-Netzwerke, sodass die Rechenleistung näher am Ort der Datenerfassung statt in entfernten, zentralisierten Cloud-Rechenzentren erfolgen kann. Diese Nähe ermöglicht es KI-Systemen, die Verarbeitungsgeschwindigkeiten drastisch zu verbessern und gleichzeitig KI-Daten sicherer zu machen. Der Wechsel von der Cloud zur Edge wird wahrscheinlich eine wichtige Rolle dabei spielen, mit KI spannende und fortschrittliche neue Möglichkeiten zu erschließen.

Edge-Netzwerke sind eine IT-Architektur, in der Computerfunktionen wie Verarbeitung, Datenspeicherung, Vernetzung und Sicherheit am Rand des Netzwerks stattfinden, näher an den Nutzern, Geräten und Anwendungen, die Daten generieren und nutzen. Dieses Modell bietet einen Kontrast zum Cloud Computing, das On-Demand-Zugriff auf virtualisierte Computing-Ressourcen über das Internet bietet – von Rechenzentren aus, die sich überall auf der Welt befinden können. Durch die Verarbeitung, Speicherung und Bereitstellung von Daten von Standorten aus, die näher am Ort der Datengenerierung liegen, tragen Edge-Netzwerke dazu bei, Latenzen zu minimieren, die Sicherheit zu verbessern, die Verfügbarkeit zu erhöhen und das Nutzererlebnis zu verbessern.

In den Anfängen der KI wurden die meisten Computing-Funktionen in cloudbasierten Rechenzentren ausgeführt, die die enorme Rechenleistung, Kapazität und Skalierbarkeit boten, die für diese aufstrebende Technologie erforderlich waren. Mit zunehmender Entwicklung der Technologie und der Ausbreitung von Datenerfassungsquellen auf das Internet der Dinge (IoT) sowie auf Milliarden von Smartphones und vernetzten Geräten hat die daraus resultierende gewaltige Datenmenge die Latenz und die Netzwerkbandbreitennutzung beim cloudbasierten KI-Betrieb erhöht. Infolgedessen werden KI-Technologien nun an die Edge verlagert, um Datensätze viel näher an den Geräten, Anwendungen und Nutzern zu verarbeiten, von denen Daten generiert werden. Durch die Ausführung von KI auf Edge-Servern können neue Technologien wie maschinelles Lernen, neuronale Netzwerkbeschleunigung und Deep Learning einfacher skaliert und Echtzeiteinblicke und Analysen bereitgestellt werden, um intelligentere und schnellere Entscheidungsprozesse zu ermöglichen.

Die Ausführung von KI in Edge-Netzwerken verändert das herkömmliche Framework für künstliche Intelligenz. In der Vergangenheit wurden Daten, die von KI-bezogenen Quellen generiert wurden, an eine zentrale Cloud-Computing-Umgebung gesendet, in der gewaltige Rechenressourcen Informationen über die aus KI-Quellen erfassten Daten aggregieren, analysieren, interpretieren und kommunizieren konnten. Heute werden KI-Modelle nicht mehr in dem Maße zentral ausgeführt, sondern auf Prozessoren konfiguriert, die mit den Geräten am Netzwerkrand verknüpft sind oder sich in diesen Geräten befinden. Dies umfasst IoT-Geräte, Mobiltelefone, autonome Fahrzeuge, Smart Watches, Smart-Home-Geräte und medizinische Geräte sowie Standard-Edge-Geräte wie Laptops, PCs und physische Server.

Edge-KI-Anwendungen bieten enorme Vorteile für dieses sich schnell entwickelnde Feld.

• Geringere Latenz. Durch die Verarbeitung von KI-Workloads auf Edge-Geräten werden Verzögerungen minimiert oder beseitigt, die auftreten, wenn Daten zu und von entfernten Cloudservern übertragen werden müssen.
• Höhere Zuverlässigkeit. Edge-KI-Vorgänge können auch dann weiterhin betrieben werden, wenn zentrale Rechenzentren offline gehen. Edge-Netzwerke eignen sich gut dafür, Traffic an Engpässen und Netzwerküberlastungen vorbeizuleiten, um Zuverlässigkeit und Verfügbarkeit zu gewährleisten.
• Mehr Datenschutz und Sicherheit. Durch die Verarbeitung von Daten näher an dem Ort, an dem sie generiert werden, reduzieren Edge-Netzwerke das Risiko, dass sensible Daten im öffentlichen Internet offengelegt oder von Cyberkriminellen abgefangen werden, wenn sie an entfernte Cloudzentren übertragen werden.
• Reduzierung der Bandbreite. Die lokale Verwaltung von KI-Daten reduziert die Bandbreitennutzung in Netzwerken und erhöht so insgesamt die Performance und Verfügbarkeit des Netzwerks.
• Kosteneinsparung. Durch die Verwendung zahlreicher Edge-Geräte anstelle einer zentralen Clouddatenbank für CPU, GPU und Speicher können Edge-KI-Vorgänge die Bandbreitenkosten für die Datenübertragung erheblich senken.

KI in Edge-Netzwerken treibt in praktisch jeder Branche neue Funktionen voran.

• Energie. Edge-KI-Modelle nutzen Echtzeitdaten in Bezug auf Wettermuster, Energieverbrauch und Zustand des Versorgungsnetzes, um Energie effizienter zu generieren und bereitzustellen.
• Gesundheitswesen. Intelligente medizinische Instrumente nutzen Edge-KI-Technologie, um medizinische Bilder zu scannen, Operationen zu unterstützen und Klinikpersonal wichtige Informationen über den Gesundheitszustand der Patienten zu übermitteln.
• Sicherheit. Gesichtserkennung, Objekterkennung und Computer-Vision verbessern die Sicherheit in vielen Branchen erheblich. Damit sicherheitsrelevante Entscheidungen rechtzeitig getroffen werden können, erfordern diese Technologien in vielen Anwendungen eine extrem niedrige Latenz, wie sie Edge-KI-Verarbeitung bietet.
• Fertigungsindustrie. IIoT-Netzwerke (Industrial Internet of Things) stützen sich auf KI-Algorithmen, um die Produktionsqualität und die Sicherheit am Arbeitsplatz zu überwachen und Produktionsprozesse in Echtzeit anzupassen.
• Spracherkennung. Die Fähigkeit, KI auf Edge-Geräten auszuführen, ist für den Einsatz der Algorithmen, auf denen die Spracherkennung auf Mobiltelefonen und virtuellen Assistenten basiert, von entscheidender Bedeutung.