KI, maschinelles Lernen und Edge Computing werden als Schlüsselkomponenten einer vollständigen, integrierten Lösung IoT immer wichtiger. In diesem Blog-Beitrag stellen wir die Definition von KI/ML als Grundlage zur Verfügung und erörtern die wichtigsten Einsatzmöglichkeiten und Vorteile von Edge Computing in modernen Netzwerken. Und schließlich werden wir erörtern, wie die Integration dieser Technologien anspruchsvolle Anwendungsfälle einschließlich Computer-Vision-Anwendungen unterstützt. Und natürlich werden wir darüber berichten, wie Digi diese Technologien der nächsten Generation bereits heute unterstützt.
Unser Brief erhalten
Erfahren Sie mehr über Edge-Computing-Technologie
PDF herunterladen
Was ist AI/ML?
Künstliche Intelligenz (KI) bezieht sich auf die Simulation menschlicher Intelligenz in Maschinen, die dadurch in die Lage versetzt werden, Aufgaben wie Lernen, logisches Denken und Problemlösung auszuführen. Maschinelles Lernen (ML) ist ein Teilbereich der KI, der sich auf Algorithmen und statistische Modelle konzentriert, die es Computern ermöglichen, aus Daten zu lernen und Vorhersagen zu treffen. Beim maschinellen Lernen werden Modelle anhand von Daten trainiert, um Muster zu erkennen, die Leistung zu verbessern und Entscheidungen zu treffen, ohne explizit programmiert zu werden. Zusammenfassend lässt sich sagen, dass KI ein breites Spektrum an Fähigkeiten umfasst, einschließlich ML, Verarbeitung natürlicher Sprache und Robotik, mit dem Ziel, Systeme zu schaffen, die komplexe Aufgaben selbstständig ausführen können - und maschinelles Lernen ist eine Schlüsselkomponente.
Warum ist Edge Computing für moderne Netzwerke so wichtig?
Edge Computing verarbeitet Daten näher am Ort ihrer Entstehung und bietet gegenüber dem Cloud Computing mehrere Vorteile. Dazu gehören eine geringere Latenzzeit, da die Daten nicht zu einem weit entfernten Server übertragen werden müssen, eine höhere Geschwindigkeit und Leistung, die für Echtzeitanwendungen entscheidend sind, eine höhere Sicherheit und ein besserer Datenschutz, da die Daten lokal verarbeitet werden können, eine geringere Bandbreitennutzung und geringere Kosten, da weniger Daten an die Cloud übertragen werden, sowie eine höhere Zuverlässigkeit und Verfügbarkeit, da die lokale Verarbeitung auch dann fortgesetzt werden kann, wenn die Netzwerkverbindung zur Cloud unterbrochen wird. Diese Vorteile machen Edge Computing ideal für IoT, Fertigungsautomatisierung, autonome Fahrzeuge, Computer-Vision-Anwendungen und andere latenzempfindliche Anwendungen.
Was bedeutet das alles? Bei der Fertigungsautomatisierung zum Beispiel kann der Mensch nur eine Aufgabe auf einmal bewältigen. Unsere Augen und Sinne können bestimmte Ansichten und Anomalien erkennen, aber wir könnten leicht eine kleine Unregelmäßigkeit in einer sich schnell bewegenden Produktionslinie übersehen. Im Vergleich zu Computern sind wir sehr langsam, und wir sind fehleranfällig. Bei Bildverarbeitungsanwendungen, bei denen mehrere Aktionen schnell (manchmal in Sekundenbruchteilen) und mit höchster Genauigkeit erfolgen müssen, ist ein menschliches Eingreifen unmöglich. Die Automatisierung erfordert extreme Präzision, schnelle und robotergestützte Datenverarbeitung und Aktionen, die innerhalb von Nanosekunden genau ausgeführt werden können.
Ein weiteres Schlüsselkonzept ist, dass diese kritischen Datenverarbeitungs- und Präzisionsautomatisierungsereignisse keinen Platz für Latenzzeiten haben. Das bedeutet, dass Daten nicht von einem Gerät - sei es in einer Fertigungsanlage, einem Lager oder einem sich schnell bewegenden Fahrzeug - zur Verarbeitung an eine Cloud-basierte Anwendung gesendet werden können, gefolgt von einem weiteren zeitaufwändigen Prozess der Datenrücksendung an das Gerät vor Ort.
Transformation am Rande: Die Auswirkungen von Edge-KI und Computer Vision in verschiedenen Sektoren
Wir haben soeben kurz erläutert, warum es wichtig ist, dass intelligente, vernetzte Geräte im Internet der Dinge selbst Daten verarbeiten und Entscheidungen treffen, selbst wenn leistungsstarke Server-Rechenzentren oder Cloud-Dienste zur Verfügung stehen.
Schauen wir uns nun die wichtigsten potenziellen Vorteile dieser beiden aufkommenden und im Trend liegenden Technologien genauer an: Künstliche Intelligenz am Rande und Computer Vision.
Bandbreite
Intelligente Geräte sammeln im Vergleich zu ihrer Bandbreite oder Übertragungskapazität eine riesige Menge an Daten. Tatsächlich wird die große Mehrheit dieser von Sensoren gesammelten Daten in vielen Fällen verworfen. Einfache Überwachungsanwendungen konzentrieren sich beispielsweise darauf, das Überschreiten eines Schwellenwerts zu erkennen, erkennen aber keine Muster in den Daten, um daraus mögliche kurz- und mittelfristige Situationen abzuleiten.
Eine mögliche und verlockende Lösung wäre die Nutzung von Cloud Computing. Es gibt jedoch nicht immer genügend Konnektivität, Bandbreite oder Energie, um individuelle Datenströme zuverlässig an Serverfarmen zu senden. IoT Geräte, die im Feld eingesetzt werden, laufen oft mit Batterien und sind nicht immer verbunden. Hier spielt Edge AI eine entscheidende Rolle. Obwohl einige Modelle für maschinelles Lernen in Bezug auf die Rechenressourcen recht anspruchsvoll sein können, erreichen sie bei weitem nicht das Niveau, das für die Datenübertragung erforderlich ist, da dies eine der Aufgaben ist, die in einem eingebetteten System am meisten Energie verbraucht.
Einige Datenanalysen können auf dem Gerät selbst durchgeführt werden, ohne dass alle Daten in die Cloud übertragen werden müssen, wobei im Falle von Alarmen und Warnungen nur die Maschine-zu-Maschine-Kommunikation (M2M) genutzt wird, was zu einer Optimierung der Batterielebensdauer führt. Natürlich gibt es auch häufig Geräte ohne jede Art von Verbindung, die in der Vergangenheit aufgrund ihrer fehlenden Verbindung zum Internet nur begrenzte Aufgaben erfüllen konnten, und auch hier bietet Edge AI eine breite Palette von Möglichkeiten.
Latenzzeit
Die Übertragung von Daten kann Hunderte von Millisekunden für einen Hin- und Rückweg vom Edge zur Cloud benötigen. Dies gilt für Verbindungen mit ausreichender und zuverlässiger Bandbreite, da beispielsweise die Satellitenkommunikation diesen Austausch um mehrere Minuten oder sogar Stunden verzögern kann.
Einige Anwendungsfälle erfordern schnellere Antworten mit möglichst geringem Jitter. Beispiele wie autonome Fahrzeuge können sich nicht auf die Kommunikation mit entfernten Servern verlassen. Edge AI löst dieses Problem, indem es die gesamte Round-Trip-Zeit aus der Gleichung entfernt, da die KI-Anwendung an Bord läuft.
Wirtschaft
Lassen Sie uns über Geld reden. Vernetzte Produkte tragen implizit die Kosten, die sich aus der Konnektivität ergeben. Je höher die Bandbreite und je größer die Reichweite, desto höher die Rechnung. Edge AI reduziert und vermeidet in einigen Fällen die Kosten für die Datenübertragung und -verarbeitung in der Cloud, wodurch Lösungen möglich werden, die in der Vergangenheit nicht kosteneffizient waren. Bei bestimmten Implementierungen spielen die Kosten für die Konnektivität vielleicht keine Rolle, aber es ist wichtig, die Kosten für die Wartung der serverseitigen Infrastruktur oder der Cloud-Computing-Ressourcen zu berücksichtigen.
Es ist erwähnenswert, dass der Einsatz von Edge-KI-Anwendungen diese Kosten zwar nicht vollständig beseitigt, da die Geräte überwacht und die Algorithmen aktualisiert werden müssen, aber dank Edge-KI kann der Wartungsaufwand in hohem Maße verringert werden, z. B. indem weniger Techniker zur Durchführung manueller Aufgaben vor Ort geschickt werden müssen.
Verlässlichkeit
Gemäß der NIST-GlossarDie Definition lautet wie folgt: "Die Fähigkeit eines Systems oder einer Komponente, unter bestimmten Bedingungen über einen bestimmten Zeitraum hinweg zu funktionieren". Es scheint offensichtlich, dass Produkte oder Systeme, die von Edge AI gesteuert werden a priori zuverlässiger als Lösungen, die sich auf externe oder Cloud-basierte Konnektivität und Verarbeitung stützen. Die Hinzufügung von drahtlosen Konnektivitätstechnologien (auch kabelgebunden) zusammen mit Cloud-Technologien bedeutet eine komplexe und überwältigende Reihe von Abhängigkeiten.
All dies führt zu einem erheblichen Zuverlässigkeitsrisiko, selbst wenn die richtigen Entscheidungen getroffen werden, da nicht alles unter Kontrolle ist. Es stimmt, dass dieses Szenario für einige Anwendungsfälle auf Kosten der Endnutzererfahrung noch handhabbar sein kann. In anderen Fällen ist die Sicherheit jedoch eine zwingende Voraussetzung. Stellen wir uns ein KI-basiertes System vor, das einen Patienten während einer Operation überwacht und für die Analyse und Erkennung möglicher Abweichungen von sicheren Betriebsparametern verantwortlich ist. Ein Internet-Ausfall darf unter keinen Umständen das Leben des Patienten gefährden. Das Gerät muss in der Lage sein, im Falle eines Verbindungsproblems autonom zu arbeiten, da die KI in das eingebettete System selbst integriert ist und dort läuft, ohne auf externe Verbindungen angewiesen zu sein. Edge-KI ist von Natur aus komplex, hat eine steile Lernkurve und birgt eigene Risiken. Sie kann jedoch ein entscheidendes Instrument sein, um die Zuverlässigkeit von Lösungen zu verbessern, die bisher von komplexen globalen Verbindungen abhängen.
Datenschutz
Datenschutz ist heutzutage ein sehr überstrapazierter Begriff. In den letzten Jahren haben die meisten von uns Endnutzern das Gleichgewicht zwischen Privatsphäre und Benutzerfreundlichkeit ohne großen Widerstand akzeptiert. Unsere elektronischen Produkte werden auf Kosten unserer Daten und Entscheidungen, die auf Servern in hunderten oder tausenden von Kilometern entfernten Rechenzentren getroffen werden, intelligenter gemacht. Selbst bei scheinbar harmlosen Anwendungen ist der Schutz der Privatsphäre immer noch ein großes Problem, denn es besteht immer die Möglichkeit, dass unsere Daten aufgrund von Sicherheitsmängeln oder Schwachstellen preisgegeben werden.
Auch hier ermöglicht die Edge-KI eine Vielzahl von Anwendungsfällen, insbesondere in Bereichen wie Industrie und Gesundheitswesen. Wenn die Daten in eingebetteten Systemen verarbeitet und nur selten in die Cloud übertragen werden, ist die Wahrscheinlichkeit, dass die Privatsphäre der Nutzer gefährdet wird, gering. Außerdem haben aufgrund der strengen Sicherheitsvorschriften in diesen Sektoren diejenigen Produkte die besten Chancen auf eine Zulassung zur Markteinführung, die keine Daten sammeln und nicht wahllos Datenströme in die Cloud senden.
Beispiele für die Implementierung von Edge AI und Computer Vision
Lassen Sie uns darüber sprechen, wie KI und Computer Vision heute in verschiedenen Sektoren eingesetzt werden. Dieser spannende Trend steht erst am Anfang, denn die Branche erforscht, was möglich ist.
Medizinische Bildgebung auf dem Gerät und intelligente Rehabilitation
Edge AI ist auch im Gesundheitswesen anwendbar und bringt eine Reihe von Vorteilen mit sich, die sich aus diesem jungen technologischen Paradigma ergeben. Bei medizinischen Bildgebungsverfahren werden traditionell große Datenmengen zur Verarbeitung an Server übertragen. Die Übertragung enormer Mengen sensibler Patientendaten über das Netz gefährdet die Privatsphäre der Patienten und verzögert die Bereitstellung von Diagnosen.
Die Echtzeitanalyse medizinischer Bilder kann dank Edge AI direkt auf dem Gerät durchgeführt werden. Denken Sie zum Beispiel an Ultraschallgeräte. Dies verbessert die Diagnosegenauigkeit und den Zeitaufwand, während gleichzeitig der Schutz der Patientendaten gewahrt bleibt. Edge-KI-Algorithmen können Anomalien in Scans erkennen und dem medizinischen Fachpersonal sofortiges Feedback geben.
Dies ist erst der Anfang, denn es wird erwartet, dass die Zahl der eingebetteten medizinischen Bildgebungsanwendungen aufgrund technologischer Trends wie TinyML (Tiny Machine Learning), die sich auf die Bereitstellung von Modellen für stromsparende Edge-Geräte konzentrieren, erheblich zunehmen wird.
Wir können auch über die Zukunft der intelligenten Rehabilitation sprechen, die von Echtzeit-Feedback profitiert, um medizinische Therapien zu optimieren und den Fortschritt der Patienten zu verbessern. Durch den Einsatz von Vor-Ort-Inferenz können medizinische Geräte mit KI Sensordaten analysieren, sich in Echtzeit an die individuellen Bedürfnisse und Merkmale jedes Patienten anpassen, den Komfort und die Wirksamkeit der Therapie verbessern und das Beste aus den Rehabilitationssitzungen herausholen, ohne dass eine ständige Überwachung erforderlich ist.
Verbesserungen bei schnelllebigen Logistikanwendungen
Dank QR-Code-Scannern mit integrierter KI und Computer Vision profitiert die Lieferkettenbranche von den Vorteilen von KI/ML und Computer Vision.
Denken Sie nur an die Zahl der Pakete, die von der Bestätigung des Warenkorbs bis zur Zustellung an der Haustür einige Tage später durch die Welt reisen. Dazu kommen noch die Rücksendungen von Produkten, die nicht unseren Erwartungen entsprechen. Das Volumen der Pakete ist enorm, und ihre logistische Verwaltung ist unglaublich komplex.
Eines der am häufigsten verwendeten Werkzeuge in Lagern sind Handheld-Barcode- oder QR-Code-Lesegeräte. Hier ermöglicht die Kombination von Edge AI mit Computer Vision auf dem Gerät selbst die Überwindung der Herausforderung, beschädigte oder stark verzerrte Codes oder sogar unter Blisterverpackungen zu lesen, die mit dem traditionellen Ansatz regelbasierter Algorithmen nicht entschlüsselt werden können. Bei letzteren handelt es sich um eine sehr frühe/primitive Form der KI, die eine Reihe von vorformulierten Regeln verwendet, die menschliches Wissen in Form von Regeln wie Wenn-dann-Anweisungen enthalten, um Entscheidungen zu treffen und Probleme zu lösen.
Dank der höheren Dekodierleistung ist es möglich, Codes mit Flecken, Kratzern und rauen Hintergründen zu entziffern. Wir alle wissen, dass unsere Pakete nicht makellos empfangen oder versandt werden. Lokale Dekodierung bringt niedrige Latenzzeiten und einen geringeren Stromverbrauch mit sich, neben anderen Vorteilen, die der Edge-KI eigen sind.
Qualitätskontrolle in Echtzeit im industriellen Sektor
Im anspruchsvollen Industriesektor erfordern die Erwartungen der Kunden und die strengen Branchenvorschriften und -normen die Aufrechterhaltung einer hohen Produktqualität. Edge AI ermöglicht eine Echtzeit-Qualitätskontrolle mit geräteinterner Inferenz zur automatischen Erkennung von Anomalien und Defekten.
Erreicht werden kann dies durch den Einsatz von KI-Modellen1 direkt in eingebetteten Systemen, die die mühsame Aufgabe übernehmen, Daten von Sensoren oder Objekten in Echtzeit mit Hilfe von Computer Vision und mit hoher Genauigkeit zu analysieren, um bei erkannten Fehlern sofort Korrekturmaßnahmen einzuleiten und so potenzielle Probleme ohne Verzögerung anzugehen.
Dieser neue Ansatz bietet zahlreiche Vorteile, wie z. B. die drastische Verringerung der Latenzzeit bei Qualitätskontrollprozessen. Dazu gehören:
- Verbesserung der Datensicherheit
- Kosteneinsparungen durch den Wegfall komplexer Datenspeicher- und Kommunikationsinfrastrukturen
- Abfallvermeidung
- Aufrechterhaltung der Nachhaltigkeit
- Vermeidung kostspieliger Rückrufe von Produkten, die fälschlicherweise als konform eingestuft wurden
- Gewährleistung der rechtzeitigen und vor den Wettbewerbern erfolgenden Einführung von Produkten, die den Marktanforderungen entsprechen
Ein weiterer grundlegender Vorteil der eingebetteten KI-Lösungen ist ihre große Flexibilität in dynamischen Fertigungsprozessen, da sie sich an die bereits üblichen schnellen Kundenänderungen anpassen können.
Verbesserung der städtischen Mobilität und der Verkehrssicherheit
Ein weiterer Bereich von besonderem Interesse ist das Verkehrsmanagement und sein Zusammenhang mit der Lebensqualität der Stadtbewohner. Edge AI ermöglicht es, die urbane Mobilität durch Verkehrsprognosemodelle zu verbessern, die Daten von Kameras und Sensoren analysieren, die in den Städten verstreut sind. Stellen Sie sich zum Beispiel einen KI-fähigen Busdienst vor, der mit Sensoren ausgestattet ist, die Routen und Fahrpläne in Echtzeit an die Verkehrsbedingungen, Wetterbedingungen oder Verkehrsunfälle anpassen und so den Fahrgastkomfort verbessern und Verspätungen reduzieren.
Neben der Optimierung von Routen für den öffentlichen Nahverkehr ermöglicht KI auch die Optimierung von Verkehrssignalfolgen. Denken wir an adaptive Ampeln, die Echtzeitdaten von Verkehrskameras und -sensoren nutzen, um die Signalsynchronisation zu verbessern, z. B. durch Anpassung der Dauer der Grünphase, wodurch Staus reduziert werden können, was sich wiederum in geringeren Emissionen niederschlägt und den Zielen der ökologischen Nachhaltigkeit näher kommt.
Digi ConnectCore® MP25: Unsere neueste innovative SOM-Lösung mit NPU und ISP
Es ist an der Zeit, das volle Potenzial von Edge AI und Computer Vision mithilfe von Technologien der nächsten Generation und modernsten Embedded-Systemen mit dem neuesten Mitglied des Digi ConnectCore Ökosystems von OEM-Lösungen zu erschließen - dem Digi ConnectCore MP25 STM32MP25 System-on-Module (SOM).
Digi ConnectCore MP25 ist ein vielseitiges, sicheres und kostengünstiges Wireless-SOM, das für industrielle Anwendungen und intelligente vernetzte Geräte entwickelt wurde. Der STM32MP25 von STMicroelectronics verfügt über ein zeitabhängiges Netzwerk (TSN), eine neuronale Verarbeitungseinheit (NPU) und eine Bildsignalverarbeitung (ISP) für KI- und Computer-Vision-Anwendungen. Der kompakte SMTplus®-Formfaktor (30 x 30 mm) ist ideal für kleine tragbare Geräte, bei denen ein niedriger Stromverbrauch entscheidend ist.
Mit seinen KI- und maschinellen Lernfunktionen und seiner äußerst zuverlässigen drahtlosen Konnektivität ist er die perfekte Lösung für sichere Computer-Vision-Anwendungen. Äußerst robust für anspruchsvolle Anwendungen in den Bereichen Industrie, Medizin, Energieversorgung und Transportwesen und ausgelegt auf Langlebigkeit, Skalierbarkeit und 100 % Betriebszeit für Produktlebenszyklen von über 10 Jahren. Entwickelt, um Kosten zu senken, die Entwicklung zu beschleunigen und die Qualität von KI-basierten Produkten zu gewährleisten.
Mit leistungsstarken Funktionen zur Unterstützung von Anwendungen, bei denen die Objekterkennung entscheidend ist:
- Kameras für Sicherheit und industrielle Bildverarbeitung
- Verkehrsüberwachungs- und -managementsysteme
- Intelligente tragbare Geräte
- Industrie 4.0 - Automatisierung der Fertigung
Digi ConnectCore MP25 Höhepunkte:
Industrietaugliche, skalierbare, eingebettete SOM-Plattform- NPU und ISP bieten herausragende KI- und Computer-Vision-Funktionen
- Vorzertifiziertes Dual-Band Wi-Fi 6 (Tri-Band 6E bereit) 802.11ax und Bluetooth® 5.4
- Energiemanagement mit Hardware- und Software-Unterstützung
- Digi SMTplus-Formfaktor (30 x 30 mm) für höchste Zuverlässigkeit
- Nahtlose Integration von Mobilfunk Modem und Digi XBee®
- Digi ConnectCore Cloud Services für Fernzugriff, Gerätemanagement, sichere Over-the-Air (OTA)-Firmware-Updates und IoT Anwendungsaktivierung
- Digi ConnectCore Sicherheitsdienste zur Gewährleistung der Sicherheit während des gesamten Produktlebenszyklus
- Unterstützung von Digi Embedded Yocto Linux und Digi TrustFence®Sicherheit
- Schlüsselfertige Entwicklungsdienste von Digi WDSverfügbar
Nächste Schritte
1. Ein Beispiel für ein KI-Modell ist Wissen, das normalerweise in der Cloud durch Training mit riesigen Datenmengen erzeugt wurde. Diese Modelle werden auf Edge-Geräten vor Ort oder über Cloud-Dienste wie Digi ConnectCore Cloud Services bereitgestellt. Modelle werden außerhalb von Edge-Geräten erstellt, da sie eine erhebliche Rechenleistung erfordern. Dies ist eines der potenziellen Geschäftsfelder der Edge-KI (KI im Allgemeinen).