Edge Computing: KI-Einsatz am Netzwerkrand beschleunigen

Das Interesse an Edge Computing wächst, doch viele ringen noch mit seiner Architektur. Dieselbe Unschärfe besteht rund um Künstliche Intelligenz, und die Idee, KI an den Edge zu verlagern, wirkt noch perplexer.

Martin Davis, Managing Partner bei DUNELM Associates, merkt an, dass Edge KI oft als „reine Theorie aus Artikeln“ abgetan wird.

Dennoch können Industrie- und Unternehmensführer Edge KI nicht länger ignorieren. Traditionell fanden rechenintensive Aufgaben wie Deep Learning und Computer Vision in zentralen Rechenzentren statt. Doch die Verbreitung leistungsstarker Netzwerke und On-Premises-Hardware ermöglicht nun den Shift vom rein Cloud-zentrierten Modell zum Edge, sagt Berater Chaitan Sharma. „Das passiert nicht über Nacht, aber es ist unvermeidlich“, fügt er hinzu. Gartner prognostiziert, dass bis 2025 75 % der Unternehmensdaten am Edge verarbeitet werden, während Grand View Research für den Edge-Computing-Markt ein jährliches Wachstum von 54 % bis 2025 projiziert.

Am Rand der Industrie

Die genaue Verortung von Edge Computing kann mehrdeutig sein. Das Open Glossary of Edge Computing beschreibt es als Bereitstellung von Rechenressourcen an den logischen Endpunkten eines Netzwerks. Jenseits konventioneller Rechenzentren und der Cloud fokussiert sich der Edge auf die „letzte Meile“ des Netzwerks und bringt Berechnung physisch näher an die Geräte und Personen, die Daten erzeugen.

[IoT World ist Nordamerikas größte IoT-Veranstaltung, wo Strategen, Technologen und Implementierer KI, 5G und Edge in die Industrie bringen. Ticket jetzt buchen.]

Herausforderungen in industriellen Umgebungen

Industrielle Settings wie Fabriken und Minen stoßen bei reiner Cloud-Nutzung an Grenzen. Eine typische Fabrik verlangt nahezu perfekte Netzwerkverfügbarkeit – 99,9999 % Uptime – und Millisekunden-Latenz, während sie Datenübertragung außerhalb des Werksgeländes oft einschränkt. Historisch setzten solche Anlagen auf umfangreiche Verkabelung und herstellerspezifische kabelgebundene Protokolle, was zu fragmentierten Technologie-Ökosystemen führte. Edge Computing bietet einen Weg, diese disparaten Komponenten zu vereinen, wie Ovum's Market Radar: CSPs' Industrial IoT Strategies and Propositions hervorhebt.

Edge-Deployments, die unabhängig von der Cloud operieren, unterscheiden sich von rein On-Device-Compute-Modellen, bei denen jedes Datenpaket lokal verarbeitet wird. Während On-Board-Computing instantane, kritische Entscheidungen ermöglicht, bemerkt Harald Remmert, Senior Director of Research and Innovation bei Digi International, dass die erforderliche Hardware teuer ist und bei komplexen Machine-Learning-Workloads oft an Grenzen stößt.

Im Gegensatz dazu kann eine KI-erweiterte Edge-Lösung in der Fabrik Daten von zahlreichen Maschinen aggregieren und kontextualisieren, Probleme identifizieren und vorhersagen, die sonst Stillstände verursachen würden. Gal Ben‑Haim, Head of Architecture bei Augury – einem auf Prozessindustrie-Machine-Learning spezialisierten Unternehmen – betont, dass Edge-basierte Inferenz großskalige Anwendungen ermöglicht, selbst wenn Ultra-Low-Latency nicht zwingend ist.

Dennoch ist der Einsatz von Machine Learning am Edge nicht trivial; er erfordert ausgereifte Modelle und neuartige Deployment-Management-Strategien, erklärt Ben‑Haim.

Von der Cloud zum Edge und zurück

Obwohl bestimmte Edge-Use-Cases völlig unabhängig von zentraler Cloud-Infrastruktur operieren, sehen die meisten Analysten Edge Computing als Teil eines verteilt-zentralen Kontinuums. Statt sich von traditionellen Rechenzentren abzuwenden, bietet es einen „Waffenstillstand“, beobachtet Gartner-Analyst Bob Gill während eines Webinars 2018.

Bill Malik, VP Infrastructure Strategies bei Trend Micro, warnt, dass Edge Computing die Cloud nicht ersetzen wird.

Daniel Newman, Principal Analyst bei Futurum Research, stimmt zu: Nur eine Handvoll Szenarien rechtfertigt einen vollständig autarken Edge.

Typischerweise fließen Daten bidirektional zwischen Edge und Cloud. Die Cloud glänzt bei der Erfassung von Makro-Trends – wie Verschiebungen im Energieverbrauch oder der Luftqualität – während Edge Computing unmittelbare, kontextspezifische Einblicke liefert, so Malik.

Accenture betrachtet Edge Computing als natürliche Erweiterung der Cloud. „Edge wird von vielen Kunden neben Cloud-Analytik und Machine Learning eingesetzt, um innovative Business-Services zu erschließen“, sagt Charles Nebolsky, Managing Director und Network Practice Lead bei Accenture Technology. Ein Beispiel ist Accentures Connected Mine Programm, das In-Pit-Operationen für Minenbetreiber optimiert. Nebolsky erläutert, dass sie Edge Computing in den Workflow eines Minenkunden integriert haben, indem sie hochauflösendes Video von Bohranlagen nutzten, um Gesteinsdichte in Echtzeit zu bewerten. Diese Daten ermöglichen dem Bohrer, Winkel und Geschwindigkeit automatisch anzupassen, und unterstützen zugleich Predictive Maintenance. „Die für hochdichte Videostreams nötige Bandbreite lässt sich nicht zu vertretbaren Kosten mit der erforderlichen Frame-Rate in die Cloud übertragen“, fügt Nebolsky hinzu.

Volvo Trucks veranschaulicht dieses bidirektionale Modell durch Telematik und Remote-Diagnostics in neueren Modellen. Der Bordcomputer flaggt abnorme Parameter und generiert Trouble Codes, die das Telematik-System an Volvos Uptime Center streamt. Das Zentrum koordiniert Reaktionen zwischen Werkstätten, Händlern und Kundenservice-Teams. Während On-Board-Diagnostics Echtzeit-Fehlerbehebung unterstützen, befähigt die zentrale Cloud-Komponente externe Stakeholder, Wartungsbesuche vorzubereiten.

Bill Roberts, IoT Director bei SAS, beobachtet, dass Volvo sich einem vorherrschenden Reifegradmodell annähert, das Edge-Analytik, KI und Machine Learning integriert. „Der nächste logische Schritt ist, den Edge auf LKWs zu befähigen, verwertbare Fehlertdaten zu filtern“, schlägt Roberts vor. „Das würde Bandbreite freisetzen, um mehr Telematik für reichhaltigere Cloud-basierte Analytik zu sammeln. Diese Insights können dann je nach Szenario am Edge oder in der Cloud deployed werden.“

Der Distributed Energy Resources Integration Testbed exemplifiziert hybrides verteilt-Cloud-Computing. Er bietet eine Alternative zu konventionellen zentralen AC-Netzen, die Schwierigkeiten haben, verteilte DC-Quellen wie Solar oder Wind optimal zu nutzen. Der Testbed setzt Echtzeit-Edge-Analytik auf strategisch platzierter Hardware ein, vereint Legacy-Equipment mit zentraler Überwachung und ermöglicht autonome, responsive Operationen. „Die Plattform unterstützt autonomen Betrieb und Edge-Analytik, während sie Daten und Steuersignale an ein oder mehrere Kontrollzentren liefert“, erklären Erik Felt, Market Development Director of Future Grid bei RTI, und Neil Puthuff, Software Integration Engineer bei RTI.

Das Aufkommen von 5G hat das Interesse an Edge-Architekturen weiter angeregt, die jenseits konventioneller Rechenzentren operieren. Zwar haben erst wenige Unternehmen 5G-fähige Edge-Projekte pilotiert, doch diese Landschaft wird sich entwickeln, sobald das Netz reift. Harald Remmert hebt hervor, dass die Vorteile denen des Cloud Computing gleichen – nur mit reduzierter Latenz – und die Architektur zunehmend für Machine-Learning-Workloads favorisiert wird.