Was ist Edge Computing?

Was ist Edge Computing?

Edge Computing ist die Verarbeitung von Daten, die physisch näher an der Datenquelle liegen.

Kurz gesagt: Verlagerung der Rechenleistung näher an den Ort, an dem die Daten erzeugt werden, an den "Rand" eines Geräts oder Netzwerks.

Viele innovative Technologien werden durch Edge Computing ermöglicht, wie z. B. intelligente Städte, ferngesteuerte Arztpraxen, völlig autonome Fahrzeuge und sprachgesteuerte Heimlautsprecher.

Die Daten können dank der höheren verfügbaren Bandbreite schneller verarbeitet werden und die Datenhoheit wird durch die Integration von Edge Computing gewährleistet.

Der Bedarf an großen Datenmengen, die zwischen Servern, der Cloud und Edge-Standorten transportiert werden müssen, wird erheblich reduziert, und Probleme wie Latenzzeiten und verfügbare Bandbreite, die bei der herkömmlichen Datenverarbeitung auftreten, sind so gut wie gelöst. Die Lösung dieser Probleme ist besonders wichtig für moderne Anwendungen wie Data Science und KI.

KI-fähige Prozessoren, die in der Lage sind, Schlussfolgerungen zu ziehen, versorgen zum Beispiel intelligente Sensoren in den meisten fortschrittlichen Industrieanlagen. Dies wird als Edge AI bezeichnet.

Das Aufsichtspersonal in einer solchen Fabrik kann über Anomalien informiert werden, die den sicheren, kontinuierlichen und effektiven Betrieb gefährden könnten, da die Sensoren zur Überwachung von Geräten und Maschinen in der Nähe eingesetzt werden.

In diesem Fall führt die physische Anwesenheit von KI-Prozessoren am Industriestandort zu einer geringeren Latenzzeit und einer schnelleren Reaktion der Industrieanlagen auf ihre Umgebung.

In Bereichen, in denen die Sicherheit von Menschen eine Rolle spielt, wie z. B. bei selbstfahrenden Autos, ist die unmittelbare Rückmeldung, die Edge Computing bietet, besonders wichtig für solche Anwendungen, bei denen die Einsparung von Millisekunden bei der Datenverarbeitung und Reaktionszeit der Schlüssel zur Vermeidung von Unfällen sein kann.

Edge Computing kann überall dort eingesetzt werden, wo Sensoren Daten sammeln - von Einzelhandelsgeschäften für Selbstbedienungskassen und Krankenhäusern für Fernoperationen bis hin zu Lagerhäusern mit intelligenter Lieferkettenlogistik und Fabriken mit Qualitätskontrollprüfungen.

Wie funktioniert Edge Computing?

Während die von Sensoren erzeugten Daten früher entweder manuell von Menschen überprüft, unverarbeitet gelassen oder zur Verarbeitung an die Cloud oder ein Rechenzentrum gesendet und dann an das Gerät zurückgeschickt wurden, werden die Daten jetzt oft so nah wie möglich an der Quelle oder am Endnutzer verarbeitet, wobei das zentrale Netzwerk oder Rechenzentrum von den Daten, Anwendungen und der Rechenleistung ferngehalten wird.

Wenn man sich ausschließlich auf manuelle Überprüfungen verlässt, sind die Prozesse langsamer und weniger effizient. Cloud Computing stellt zwar Rechenressourcen zur Verfügung, aber die Datenübertragung und -verarbeitung belastet die Bandbreite und die Latenzzeit erheblich.

Die Bandbreite ist die Geschwindigkeit, mit der Daten über das Internet übertragen werden. Wenn Daten an die Cloud gesendet werden, werden sie über ein Weitverkehrsnetz übertragen, das aufgrund seiner globalen Abdeckung und des hohen Bandbreitenbedarfs kostspielig sein kann. Bei der Verarbeitung von Daten am Rande des Netzes können lokale Netze verwendet werden, was zu einer höheren Bandbreite bei geringeren Kosten führt.

Latenz ist die Verzögerung bei der Übertragung von Informationen von einem Punkt zum nächsten. Bei der Edge-Verarbeitung wird die Latenzzeit reduziert, da die von Sensoren und IoT-Geräten erzeugten Daten nicht mehr zur Verarbeitung an eine zentrale Cloud gesendet werden müssen. Selbst in den schnellsten Glasfasernetzen können sich die Daten nicht schneller als mit Lichtgeschwindigkeit bewegen.

Zur Verringerung von Engpässen und zur Beschleunigung von Anwendungen kann Edge Computing auf einem oder mehreren Systemen ausgeführt werden, um die Distanz zwischen dem Ort der Datenerfassung und der Datenverarbeitung zu verringern. In einer idealen Edge-Infrastruktur wird eine zentralisierte Softwareplattform eingesetzt, die alle Edge-Systeme über eine Schnittstelle fernsteuern kann.

Warum wird Edge Computing benötigt?

Die drei Technologietrends IoT, KI und 5G konvergieren und schaffen wiederum Anwendungsfälle, die es erforderlich machen, dass Unternehmen Edge Computing in Betracht ziehen.

IoT

Mit der Verbreitung von IoT-Geräten kam es zu einer Explosion von Big Data, die Unternehmen zu erzeugen begannen. Diese Unternehmen stellten bald fest, dass ihre Anwendungen nicht für die großen Datenmengen ausgelegt waren, die sie nun sammeln wollten.

Sie erkannten auch, dass die Infrastruktur für die Übertragung, Speicherung und Verarbeitung großer Datenmengen extrem teuer und schwer zu verwalten sein kann. Das mag der Grund dafür sein, dass nur ein Bruchteil der von IoT-Geräten gesammelten Daten überhaupt verarbeitet wird, in manchen Situationen sind es sogar nur 25 Prozent.

Und das Problem verschärft sich weiter. Heute gibt es 40 Milliarden IoT-Geräte, und Prognosen von ARM zeigen, dass es bis 2022 1 Billion IoT-Geräte geben könnte. Da also die Zahl der IoT-Geräte wächst und die Menge der zu übertragenden, zu speichernden und zu verarbeitenden Daten zunimmt, verlagern sich Unternehmen auf Edge-Computing, um die Kosten zu senken, die erforderlich sind, damit sie dieselben Daten in Cloud-Computing-Modellen nutzen können.

KI (Künstliche Intelligenz)

Ähnlich wie das IoT bietet auch die KI unendlich viele Möglichkeiten und Vorteile für Unternehmen, z. B. die Möglichkeit, Erkenntnisse in Echtzeit zu gewinnen. Genauso schnell wie Unternehmen neue Anwendungsfälle für KI finden, stellen sie fest, dass diese neuen Anwendungsfälle Anforderungen stellen, die ihre aktuelle Cloud-Infrastruktur nicht erfüllen kann.

Wenn Unternehmen aufgrund von Bandbreiten- und Latenzeinschränkungen in der Infrastruktur gezwungen sind, bei der Datenmenge, mit der sie ihre Modelle füttern, Abstriche zu machen. Das Ergebnis sind schwächere Modelle.

5G

5G-Netzwerke sind etwa 10-mal schneller als 4G-Netzwerke und so konzipiert, dass jeder Knoten Hunderte von Geräten bedienen kann, was die Möglichkeiten für KI-gestützte Dienste an Edge-Standorten erhöht hat.

Da Edge Computing leistungsfähig, schnell und zuverlässig ist, haben Unternehmen das Potenzial, neue Geschäftsmöglichkeiten zu erschließen, Erkenntnisse in Echtzeit zu gewinnen, die betriebliche Effizienz zu steigern und das Nutzererlebnis zu verbessern.

Ähnlicher Artikel: 5G und KI - eine automatisierte und hyperintelligente Zukunft

Was sind die Vorteile von Edge Computing?

Die wichtigsten Vorteile von Edge Computing sind:

Niedrigere Latenzzeiten: Durch die Verarbeitung von Daten am Rande eines Netzwerks werden Datenbewegungen reduziert oder eliminiert, was die KI beschleunigt und komplexere KI-Modelle, die eine geringe Latenzzeit erfordern, wie z. B. vollautonome Fahrzeuge und Augmented Reality, möglich macht.

Geringere Kosten: Durch die Verwendung von LAN für die Datenverarbeitung können Unternehmen jetzt auf eine höhere Bandbreite und einen größeren Speicherplatz zu geringeren Kosten als beim Cloud Computing zugreifen. Da die Verarbeitung am Netzwerkrand erfolgt, müssen außerdem weniger Daten zur weiteren Verarbeitung an die Cloud oder das Rechenzentrum gesendet werden, was auch zu einer Verringerung des Datenvolumens führt, das transportiert werden muss, was die Kosten noch weiter senkt.

Modell-Genauigkeit: Die KI ist auf hochpräzise Modelle angewiesen, insbesondere für Randanwendungen, die sofortige Reaktionen erfordern. Wenn die Bandbreite eines Netzwerks zu gering ist, wird dies in der Regel durch eine Verringerung der für die Inferenzierung verwendeten Datengröße gemildert. Dies führt zu reduzierten Bildgrößen, übersprungenen Frames bei Video und reduzierten Abtastraten bei Audio. Bei der Bereitstellung am Netzwerkrand können Datenrückkopplungsschleifen genutzt werden, um die Genauigkeit von KI-Modellen zu verbessern, und es können mehrere Modelle gleichzeitig ausgeführt werden, was zu besseren Erkenntnissen führt.

Größere Reichweite: Herkömmliches Cloud Computing erfordert einen Internetzugang, während Edge Computing Daten ohne Internetzugang verarbeiten kann, was bedeutet, dass der Einsatzbereich auf abgelegene oder zuvor unzugängliche Orte ausgeweitet werden kann.

Datensouveränität: Edge Computing ermöglicht es Unternehmen, alle ihre Daten und Berechnungen innerhalb des LAN und der Unternehmensfirewall zu halten. Dies führt zu einer geringeren Anfälligkeit für Cybersecurity-Angriffe in der Cloud und zu strengen und sich ständig ändernden Datengesetzen.

Edge Computing für den Einzelhandel

Die größten Einzelhändler der Welt setzen Edge AI ein, um ihren Kunden ein besseres Erlebnis zu bieten.

Mit Edge Computing können Einzelhändler ihre Agilität steigern, indem sie:

Verringerung des Warenschwunds: Mit Hilfe von Kameras und Sensoren in den Geschäften können Fehler, Verschwendung, Schäden und Diebstahl erkannt und verhindert werden, da Edge AI zur Analyse relevanter Daten genutzt werden kann.

Verbesserung der Bestandsverwaltung: Edge-Computing-Anwendungen können auch In-Store-Kameras nutzen, um das Personal zu warnen, wenn die Regalbestände niedrig sind, und so die Auswirkungen von Fehlbeständen verringern.

Rationalisierung des Einkaufserlebnisses: Dank der schnellen Datenverarbeitung, die Edge Computing dem Einzelhandel ermöglicht, können Einzelhändler jetzt Sprachbestellungen einführen, so dass die Kunden über Smart Speaker oder andere intelligente Mobilgeräte problemlos nach Artikeln suchen, Produktinformationen anfordern und Online-Bestellungen aufgeben können.

Edge Computing für Smart Cities

Viele Orte haben damit begonnen, KI am Rande zu nutzen, um sie in intelligente Räume zu verwandeln. Städte, Universitätsgelände, Stadien, Einkaufszentren und andere Einrichtungen nutzen KI, um ihre Räume effizienter, sicherer und zugänglicher zu machen.

Edge Computing wurde bereits eingesetzt, um den Betrieb umzugestalten und die Sicherheit in Bereichen wie den folgenden zu verbessern

Verringerung von Verkehrsüberlastungen: Computer Vision wird eingesetzt, um den Verkehr zu identifizieren, zu analysieren und zu optimieren. Städte nutzen dieses Angebot, um den Verkehrsfluss zu verbessern, die mit Staus verbundenen Kosten zu senken und die Zeit, die Autofahrer im Verkehr verbringen, zu minimieren.

Überwachung der Sicherheit am Strand: Die Bilderkennungsanwendung von SightBit hilft bei der Erkennung von Gefahren an Stränden, wie z. B. reißende Ströme und gefährliche Meeresbedingungen, so dass die Behörden lebensrettende Maßnahmen ergreifen können.

Steigerung der Effizienz des Betriebs von Fluggesellschaften und Flughäfen: Die Assaia International AG hat eine KI-gestützte Videoanalyseanwendung entwickelt, die Fluggesellschaften und Flughäfen hilft, bessere, fundiertere und schnellere Entscheidungen in Bezug auf Kapazität, Nachhaltigkeit und Sicherheit zu treffen.

Edge Computing für Automobilhersteller und Produzenten

Sensordaten, die von Fabriken, Herstellern und Automobilherstellern generiert werden, können jetzt in einer vernetzten Weise genutzt werden, um Dienstleistungen zu verbessern.

Einige beliebte Anwendungsfälle zur Förderung von Effizienz und Produktivität in der Fertigung sind:

Vorausschauende Wartung: Um bei Maschinenausfällen Ausfallzeiten zu vermeiden, kann Edge Computing eingesetzt werden, um Anomalien im System frühzeitig zu erkennen.

Qualitätskontrolle: Edge Computing kann auch bei der Erkennung von Produktfehlern helfen und das Personal in einem solchen Fall alarmieren, was wiederum dazu beiträgt, Abfall zu reduzieren und die Herstellung solcher Produkte effizienter zu gestalten.

Sicherheit der Arbeiter: Durch den Einsatz eines Netzwerks von Kameras und Sensoren, die mit KI-fähigem Videomaterial ausgestattet sind, können Hersteller Arbeiter identifizieren, die sich unter unsicheren Bedingungen befinden, und eingreifen, um Unfälle zu verhindern.

Edge Computing für das Gesundheitswesen

Das Gesundheitswesen wird derzeit durch die Kombination von Edge Computing und KI umgestaltet.

Um die Arbeitsabläufe effizienter zu gestalten, die Sicherheit der Patienten und des Personals zu gewährleisten und gleichzeitig die höchstmögliche Qualität der Pflege zu gewährleisten, wird Edge-KI eingesetzt, um den Mitarbeitern im Gesundheitswesen die erforderlichen Werkzeuge zur Verfügung zu stellen.

Zwei beliebte Beispiele für KI-gestütztes Edge-Computing im Gesundheitswesen sind:

Operationssäle: KI-Modelle, die auf Streaming-Bildern und Sensoren in medizinischen Geräten basieren, helfen bei der Bilderfassung und -rekonstruktion, bei der Optimierung von Arbeitsabläufen für die Diagnose und Therapieplanung, bei der Vermessung von Organen und Tumoren, bei der chirurgischen Therapieführung und bei der Echtzeit-Visualisierung und -Überwachung während Operationen.

Krankenhäuser: Patientenüberwachung, Patientenscreening, konversationelle KI, Schätzung der Herzfrequenz, Radiologiescanner und mehr sind nur einige der Technologien, die in intelligenten Krankenhäusern eingesetzt werden.

Die Schätzung der menschlichen Haltung ist eine beliebte Computer-Vision-Aufgabe, bei der Schlüsselpunkte am Körper einer Person wie Augen, Arme und Beine geschätzt werden, um das Personal zu benachrichtigen, wenn sich ein Patient bewegt oder aus dem Krankenhausbett fällt.

Anwendungen für Edge AI: Ergänzend zu diesen Angeboten hat NVIDIA in Zusammenarbeit mit Partnern ein ganzes Ökosystem von Software-Entwicklungskits, Anwendungen und Industrie-Frameworks in allen Bereichen des Accelerated Computing geschaffen. Diese Software kann über den NVIDIA NGC Software-Hub per Fernzugriff bereitgestellt und verwaltet werden. KI- und IT-Teams erhalten einfachen Zugang zu einer Vielzahl von vortrainierten KI-Modellen und Kubernetes-kompatiblen Helm-Charts, die sie in ihre Edge-KI-Systeme implementieren können.

NVIDIA am Rande

Die Fähigkeit, schnellere Erkenntnisse zu gewinnen, kann Zeit, Kosten und sogar Leben retten. Aus diesem Grund zapfen Unternehmen die Daten an, die von den Milliarden von IoT-Sensoren in Einzelhandelsgeschäften, auf den Straßen der Städte und in Krankenhäusern generiert werden, um intelligente Räume zu schaffen.

Dazu benötigen Unternehmen jedoch Edge-Computing-Systeme, die leistungsstarke, verteilte Rechenleistung, sichere und einfache Fernverwaltung sowie Kompatibilität mit branchenführenden Technologien bieten.

NVIDIA, einer der führenden Hersteller solcher Technologien, vereint NVIDIA-zertifizierte Systeme, eingebettete Plattformen, KI-Software und Management-Services, die es Unternehmen ermöglichen, die Leistungsfähigkeit von KI am Edge schnell zu nutzen.

Die Zukunft des Edge Computing

Früheren Marktforschungen zufolge wird der Edge-Computing-Markt bis 2025 einen Wert von 251 Milliarden US-Dollar erreichen, und es wird erwartet, dass er jedes Jahr mit einer durchschnittlichen jährlichen Wachstumsrate von 16,4 Prozent weiter wächst.

Die Entwicklung von KI, IoT und 5G wird die Einführung von Edge Computing weiter vorantreiben, wobei die Anzahl der Anwendungsfälle und die Art der am Edge eingesetzten Workloads weiter zunehmen wird.

Die gängigsten Edge-Anwendungsfälle drehen sich heute um Computer Vision. Es gibt jedoch noch viele ungenutzte Möglichkeiten in Arbeitsbereichen wie der Verarbeitung natürlicher Sprache, Empfehlungssystemen und Robotik.

Die Möglichkeiten im Edge-Bereich sind wirklich grenzenlos.