Edge Computing und künstliche Intelligenz, ein gewinnendes Paar: die Vorteile für die Datenanalyse

Whitepapers KI Datenverarbeitung

Cloud Computing ermöglicht eine erhebliche Kostenreduzierung bei den Rechenzentren und bietet Zugang zu praktisch unbegrenzten und auf Abruf verfügbaren Ressourcen für Speicher- und Rechenkapazität. Doch nicht alle Anwendungen eignen sich für Cloud-Lösungen, die verschiedene potenzielle Nachteile in Bezug auf Latenzzeiten und Zuverlässigkeit der Verbindungen aufweisen. In diesen Fällen ist Edge Computing eine weitaus bessere Lösung, da das System die Informationen direkt auf dem Gerät verarbeiten kann, auf dem sie generiert werden, und so das Problem der Datenübertragung und der Latenzzeiten beseitigt wird. Dies gilt umso mehr, wenn Edge Computing mit KI kombiniert wird.

Was ist Edge AI, die Kombination aus Edge Computing und KI?

Wenn Edge Computing mit künstlicher Intelligenz (KI) kombiniert wird, entsteht Edge AI, die eine Datenverarbeitung in Echtzeit ermöglicht, ohne dass eine Verbindung zu einer Cloud erforderlich ist.
Eine Verbindung zu einer Cloud ist nicht immer möglich, aber im Fall von selbstfahrenden (oder fahrerlosen) Autos und anderen KI-Anwendungen, die unabhängig vom Verbindungsstatus sofortige Reaktionen erfordern, ist Edge AI eine praktikable Option. Die Vorteile des Edge Computing zeigen sich zum Beispiel im Gesundheitswesen, wo telemedizinische Dienste immer mehr an Bedeutung gewinnen und die Notwendigkeit, so schnell wie möglich auf Daten zuzugreifen, einen echten Unterschied ausmachen kann.

Edge Computing und künstliche Intelligenz: die Vorteile einer erfolgreichen Kombination

Edge Computing mit KI ist in den folgenden Fällen der beste Ansatz

  • wenn die Internet-Bandbreite unzureichend oder unzuverlässig ist;
  • wenn die Verbindung zum Senden von Daten in die Cloud nicht stabil ist;
  • wenn extrem schnelle Reaktionszeiten oder besondere Sicherheits- und Datenschutzanforderungen bei der Datenübertragung erforderlich sind.

Edge AI hat die gleichen Vorteile wie Edge Computing: Geschwindigkeit, geringerer Netzwerkverbrauch, Sicherheit und Datenschutz.

Der größte Vorteil der Kombination von Edge Computing und KI liegt in der Fähigkeit, die Zeiten der Inaktivität bei Cloud-basierten KI-Prozessen drastisch zu reduzieren und den Nutzern die Möglichkeit zu geben, sie von intelligenten Geräten aus zu verwalten, die in der Lage sind, schnell auf Eingaben zu reagieren, ohne Daten an andere Stellen zu übertragen.

Die Verringerung der Latenzzeit, die bei zeitkritischen Anwendungen so wichtig ist, geht so weit, dass bei der Durchführung von KI-Berechnungen in einem entfernten Rechenzentrum im besten Fall eine Verringerung der Latenzzeit um mindestens 1 bis 2 Millisekunden (wenn nicht Hunderte) möglich ist.

Edge-KI wird auch durch die zunehmende Verbreitung von 5G-Konnektivität erheblich gestärkt werden. Im Vergleich zu LTE wird 5G höhere Geschwindigkeiten (20 Gbit/s gegenüber 1 Gbit/s), die Gleichzeitigkeit mehrerer Verbindungen (1.000.000 pro km2 gegenüber 100.000) und eine höhere Latenzzeit (1 ms gegenüber 10 ms) gewährleisten. Mit der schrittweisen Einführung von 5G wird die Konnektivität der neuen Generation die Entwicklung des IoT-Marktes und der Edge-KI vorantreiben, da sie die Interaktion zwischen einer größeren Anzahl von Geräten ermöglicht, die zunehmend mit intelligenten Prozessoren ausgestattet sind.

Edge Analytics: wie es die Datenanalyse für Unternehmen verändert

Die Beobachter der Polytechnischen Universität Mailand schätzen, dass bis zum Jahr 2022 in jedem Haushalt durchschnittlich 50 Geräte mit dem Internet verbunden sein werden: Die Menge der verfügbaren Big Data wird explodieren. Daten von intelligenten Sensoren und Maschinen, von sozialen Medien, Daten, die von IoT-Geräten erzeugt werden: Edge Analytics trägt dazu bei, den Datenverkehr in den geografischen Netzen zu entlasten, die das Rechenzentrum mit dem "Rand" des Unternehmensnetzes verbinden, wo immer mehr Daten anfallen.

Edge Analytics ermöglicht es einem Unternehmen, eine enorme Datenmenge in Echtzeit zu analysieren, um die Entscheidungsprozesse zu verbessern, indem es die Rechenkapazität in Netzwerkgeräten (wie Switches), Peripheriegeräten, Geräten und Sensoren oder ultrakompakten Mikro-Rechenzentren zusammenfasst und so den Ansatz für das IoT neu definiert. Dieser neue Ansatz wird als IoT Edge bezeichnet, der die Intelligenz und die analytischen Fähigkeiten von Peripheriegeräten steigert, um die Leistung und Sicherheit der IoT-Architektur zu verbessern. In IoT-Geräten wird auch die Cloud rationalisiert, wodurch die Netzwerknutzung für die Speicherung und Datenanalyse eingespart und die Nutzung von CPUs, GPUs und Speicher drastisch reduziert wird.

Der Markt hat dieses Potenzial erkannt. Nach Angaben von Statista hat der Industrial-Edge-Computing-Markt im Jahr 2019 einen Wert von 11,56 Milliarden US-Dollar. Er wird bis 2025 mit einer durchschnittlichen Wachstumsrate von 18 % (CAGR) weiter wachsen und dann schätzungsweise 30,75 Milliarden US-Dollar erreichen. Allein der globale Markt für Edge-KI-Software wird bis 2026 ein Volumen von 1,835 Milliarden US-Dollar erreichen, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 20,8 % entspricht. Der Markt wird von der Zunahme der Cloud-basierten Arbeitslasten in Unternehmen und dem raschen Wachstum der Zahl der vernetzten Geräte (einschließlich Wearables, die in der Zeit nach der Pandemie zunehmen) und intelligenten Anwendungen angetrieben.

Mehr Sicherheit und Schutz der Privatsphäre durch Edge Computing und KI

Wenn wir über Geschäftsdaten sprechen, ist ein weiterer unbestreitbarer Vorteil von Edge-KI der Datenschutz. Sowohl aus rechtlicher Sicht als auch im Hinblick auf die technischen Möglichkeiten, insbesondere im Zusammenhang mit dem Schutz der Privatsphäre und der Geschwindigkeit der Informationsübertragung, wird Edge Computing eine Schlüsselrolle in den Technologien der digitalen Europäischen Union einnehmen. Es respektiert die Grundsätze des "Privacy by Design" und die Vorgaben des Europäischen Datenschutzausschusses (EDPB), insbesondere in Bezug auf intelligente Autos. Unter dem Gesichtspunkt der Cybersicherheit verhindert die KI-Verarbeitung auf einem lokalen Gerät, dass Informationen zur Datenanalyse auf ein anderes Gerät übertragen werden müssen. Dadurch wird das Risiko des Abfangens erheblich verringert.