Wichtige Edge-AI-Trends 2022

Seit 1956 als Studienfach an Universitäten eingeführt, hat Künstliche Intelligenz Phasen von Optimismus und Pessimismus in gleichem Maß durchlaufen. Zweifellos erleben wir heute eine Phase großen Optimismus.

Data Science ist weltweit der drittgefragteste Job. In unserer aktuellen Studie zum State of Edge Computing in Spanien ist Data Scientist der meistgesuchte Profi bei spanischen Unternehmen – in einem Markt mit exponentiellem Wachstum, der bis 2025 auf 190 Mrd. $ erwartet wird.

So prominent ist KI im Markt, dass es nicht mehr sinnvoll ist, sie als einzelne Technologie zu betrachten – sondern als viele Zweige, die unterschiedlichen Branchen unterschiedliche Dienste leisten.

Zu den reifsten, der Produktionsreife nächstgelegenen Trends zählen solche, die wir im Alltag nutzen: Natürliche Sprachverarbeitung bei zunehmend menschenähnlichen Chatbots, Maschinelles Sehen für Echtzeit-Videoverarbeitung, semantische Suche für bessere Suchergebnisse.

Am anderen Extrem: futuristische Trends, die erst in 10+ Jahren emergieren. Beispiele: AI TRISM (Trust, Risk and Security Management) – Technologien zur Regulierung von KI-Modellen für höhere Resilienz gegen Sicherheits- und Datenschutzangriffe; Transformer, die KI-Modelle an Kontext anpassen und großen Einfluss auf Übersetzer, automatische Dokumentenerstellung, Analyse biologischer Sequenzen haben werden.

Dazwischen: Enabling Technologies, die 2–5 Jahre von Deployment bis Marktreife brauchen – die „Near Future of AI“. Dazu gehören: Human-centered AI, Generative AI, Orchestrierung & Automatisierung von KI, und – führend auf der Reifekurve – KI am Edge, aka „Edge AI“. 2021 wurde Edge AI zur Technologie, die in naher Zukunft reifen wird.

Edge AI und die verteilte Intelligenz Revolution in der industriellen Welt

Edge AI oder AI on the Edge lässt sich zusammenfassen als: Fähigkeit, KI-Algorithmen auf Geräten (IoT-Geräte, Edge-Geräte) auszuführen, die sehr nah an der Datenquelle sind.

Diese Technologie wächst exponentiell, gestützt von einer ernüchternden Statistik: Über 60 % der Industrieorganisationen haben keine Cloud-Infrastruktur, die effiziente Innovation ermöglicht.

Nehmen wir die Lupe auf Edge-AI-Projekte: Was sind die disruptivsten Trends für 2022 und 2023?

Hier unsere Top 5:

1. Kritische Branchen als Haupttreiber: Von SCADA zu Edge AI

Bei Barbara IoT finden wir wiederholte Muster in Branchen an der Edge-AI-Spitze: Alle managen viele kritische verteilte Assets. Branchen mit großen Herausforderungen durch technologische Fragmentierung, Skalierbarkeit, Cybersicherheit. Diese lassen sich minimieren, indem KI-Algorithmen am Edge ausgeführt werden. Wir prognostizieren: Diese Branchen werden sehr ambitionierte, transformative Use Cases entwickeln.

SCADA-Systeme seit den 80ern haben ähnliche Zwecke bei Datenerfassung und -verarbeitung. Doch SCADA-Systeme müssen durch modernere Technologien ergänzt werden, um zunehmend anspruchsvollen Anforderungen an Interoperabilität, Offenheit und Sicherheit gerecht zu werden. Hier hilft Edge AI: Wertmultiplikation dieser Systeme.

2. Thin Edge wird Thick Edge ergänzen

Verschiedene Interpretationen, was „Edge“ bei Edge AI bedeutet. Traditionell: Edge = Netzbetreiber-Infrastruktur nah am Nutzer. Beispiel 5G: Netzbetreiber rollen „Multiaccess Edge Computing“-Nodes aus für nahes Datenprocessing. Diese Nodes auf Servern ähnlich wie in Rechenzentren für Cloud-Services – hohe Kapazität für komplexe KI-Algorithmen. Das nennen Analysten „Thick Edge“.

Kürzlich entstehen Edge Nodes eines anderen Typs: direkt an Sensoren und Switches angebunden, auf Low-Power-Geräten (Gateways, Konzentratoren) installiert – führen einfachere KI-Algorithmen mit kürzeren Reaktionszeiten nahe an Echtzeit aus. Dieser neue „Thin Edge“ ermöglicht schnelles, flexibles Tackling größerer Projekte mit Remote-Standorten oder hohen Sicherheits- und Datenisolation-Anforderungen.

3. Edge Mesh als neues Paradigma für verteilte KI

Edge AI basiert traditionell auf Entscheidungsmodellen, trainiert mit großen Datenmengen. Das Modell (mathematische Formeln) wird auf Edge Nodes installiert. Jeder Node entscheidet autonom basierend auf empfangenen Daten und installiertem Modell.

Das neue Paradigma, Edge Mesh, ermöglicht: Eine Node-Entscheidung wird durch eine andere Node-Entscheidung bedingt – wie ein Gitter-Netzwerk. Gutes Verständnisbeispiel: Smart Traffic System.

Ein Edge Node entscheidet über Ampelphasen per KI-Algorithmus basierend auf erkannten Autos und Personen. Diese Entscheidung könnte perfekt durch Entscheidungen benachbarter Nodes in umliegenden Straßen ergänzt werden.

Ziel von Edge Mesh: Intelligenz auf verschiedene Nodes verteilen für bessere Performance, Reaktionszeiten, Fehlertoleranz als traditionelle Architekturen.

4. Lifecycle Management mit MLOps wird zunehmend wichtiger

Da die Industrie Edge AI mit mehr verteilten Nodes und komplexeren Trainingsalgorithmen ausrollt, wird die Fähigkeit, den Lebenszyklus trainierter Modelle und der sie ausführenden Geräte zu erhalten, zum Schlüssel für die Zukunft dieser Technologie.

Projekte und Unternehmen, die DevOps-Philosophie für Entwicklung, Rollout, Wartung von KI-Algorithmen anwenden, werden gestärkt.

Diese Arbeitsweise heißt MLOps – Kombination aus Machine Learning und DevOps.

Was genau ist es? Ziel: Entwicklungs-, Test-, Implementierungszeiten von Edge-AI-Modellen reduzieren durch kontinuierliche Integration von Equipment und Development Environments, Testing, Operations.

5. Edge AI ermöglicht souveränen Datenaustausch

Zweifelsohne wird Datenaustausch entscheidend für Prozessverbesserung in Industriesektoren mit vielen Stakeholdern in der Wertschöpfungskette.

Blick in die nahende Zukunft: Smart Grid Stromnetzmodell. Um besseren Service zu empfangen oder anzubieten, müssen Versorger Informationen von Prosumern, Betreibern, Verteilern, Aggregatoren analysieren und verarbeiten können. Ohne transparenten, agilen Datenaustausch ist Netzoptimierung bis 2050 unmöglich.

Mit Edge AI ist ON-zentralisierte Datenverarbeitung möglich – überwindet Hindernisse wie Datensicherheit, Privatsphäre, Souveränität.