Inhaltsverzeichnis[Ausblenden][Zeigen]
Jeder Sektor ist bestrebt, seine Abläufe, Produktivität und Sicherheit durch die Implementierung von mehr Automatisierung zu verbessern. Computerprogramme müssen in der Lage sein, Muster zu erkennen und Aufgaben zuverlässig und sicher auszuführen, um sie zu unterstützen.
Die Welt ist jedoch unstrukturiert, und das Spektrum der Aufgaben, die Menschen ausführen, umfasst eine endlose Anzahl von Szenarien, die sich nur schwer in Programmen und Regeln angemessen ausdrücken lassen.
Die Fortschritte der Edge-KI haben es Computern und Gadgets ermöglicht, mit der „Intelligenz“ der menschlichen Kognition zu arbeiten, unabhängig davon, wo sie sich befinden. Intelligente KI-fähige Apps lernen, vergleichbare Aufgaben in einer Vielzahl von Situationen zu erledigen, genau wie Menschen im wirklichen Leben.
In diesem Beitrag werfen wir einen tiefen Blick auf Edge AI, seine Vorteile, Anwendungsfälle und vieles mehr.
Was ist Edge-KI?
Edge-Computing ermöglicht Benutzern einen einfacheren Zugriff auf die Datenspeicherung und -verarbeitung. Dies wird erreicht, indem Prozesse auf lokalen Geräten wie Laptops, IoT-Geräten oder spezialisierten Edge-Servern ausgeführt werden.
Die Latenz und die Bandbreite befürchten, dass Cloud-basierte Operationen manchmal kein Problem für Edge-Funktionen darstellen.
Edge-KI-Mischungen künstliche Intelligenz und Edge-Computing (KI). Dies beinhaltet die Ausführung von KI-Algorithmen auf lokalen Geräten mit Rechenleistung am Rand.
Edge AI macht Systemkonnektivität und -integration überflüssig, sodass Benutzer Daten in Echtzeit auf ihren Geräten verarbeiten können. Obwohl KI-Operationen viel Rechenleistung benötigen, werden die meisten von ihnen jetzt in Cloud-basierten Zentren durchgeführt.
Der Nachteil ist, dass es aufgrund von Verbindungs- oder Netzwerkproblemen zu Dienstunterbrechungen oder erheblichen Langsamkeiten kommen kann.
Durch die Integration von KI-Prozessen in Edge-Computing-Geräte überwindet Edge AI diese Bedenken. Durch das Sammeln von Daten und das Bedienen von Benutzern, ohne mit anderen physischen Standorten kommunizieren zu müssen, können Benutzer Zeit sparen.
Wie funktioniert die Edge AI-Technologie?
Maschinen müssen in der Lage sein, Objekte zu sehen, zu identifizieren, Autos zu bedienen, Sprache zu verstehen, zu sprechen, sich zu bewegen und andere menschenähnliche Aufgaben auszuführen. Um die menschliche Wahrnehmung zu duplizieren, verwendet KI eine Datenstruktur, die als Deep bekannt ist neuronale Netzwerk.
Diesen DNNs wird beigebracht, auf bestimmte Arten von Anfragen zu antworten, indem ihnen mehrere Beispiele dieser Frage zusammen mit genauen Antworten gezeigt werden.
Aufgrund der großen Datenmenge, die zum Trainieren eines genauen Modells erforderlich ist, und der Anforderung an Data Scientists, beim Erstellen des Modells zusammenzuarbeiten, wird dieser als „Deep Learning“ bezeichnete Trainingsprozess im Allgemeinen in einem Rechenzentrum oder in der Cloud durchgeführt. Das Modell entwickelt sich zu einer „Inferenzmaschine“, die nach dem Training reale Probleme beantworten kann.
Die Inferenz-Engine in Edge-KI-Bereitstellungen funktioniert auf einem Computer oder Gerät an einem entfernten Ort, z. B. einer Fabrik, einem Krankenhaus, einem Auto, einem Satelliten oder dem Haus einer Person.
Wenn die KI auf ein Problem stößt, werden die problematischen Daten häufig in die Cloud übertragen, um das ursprüngliche KI-Modell zusätzlich zu trainieren, das schließlich die Edge-Inferenz-Engine ersetzt. Sobald Edge-KI-Modelle implementiert sind, werden sie dank dieser Feedback-Schleife immer klüger.
Benefits
KI-Algorithmen sind besonders vorteilhaft an Orten, die von Endbenutzern mit realen Problemen frequentiert werden, da sie Sprache, Sehenswürdigkeiten, Geräusche, Gerüche, Temperaturen, Gesichter und andere analoge Arten von unstrukturierten Informationen interpretieren können.
Aufgrund von Bedenken hinsichtlich Latenz, Bandbreite und Datenschutz wären einige KI-Anwendungen unpraktisch oder sogar unmöglich in einer zentralisierten Cloud oder einem Unternehmensrechenzentrum zu implementieren.
Im Folgenden sind einige der Vorteile der Edge-KI aufgeführt:
- Echtzeit-Einblicke: Da die Edge-Technologie Daten lokal und nicht in einer entfernten Cloud analysiert, die durch Fernverbindungen verzögert wird, reagiert sie in Echtzeit auf Benutzeranfragen.
- Intelligenz: KI-Anwendungen sind leistungsfähiger und anpassungsfähiger als herkömmliche Programme, die nur auf Eingaben reagieren können, die der Programmierer vorhergesagt hat. Eine KI neuronale Netzwerk, andererseits wird darauf trainiert, nicht auf eine bestimmte Frage zu antworten, sondern auf eine bestimmte Art von Frage, auch wenn die Frage selbst neuartig ist. Anwendungen wären ohne KI nicht in der Lage, endlos verschiedene Eingaben wie Text, gesprochene Worte oder Videos zu verarbeiten.
- Datenschutz erhöht: KI kann Daten aus der realen Welt untersuchen, ohne sie jemals einem Menschen auszusetzen, was die Privatsphäre aller erheblich verbessert, deren Aussehen, Stimme, medizinisches Bild oder andere persönliche Informationen untersucht werden müssen. Edge AI verbessert den Datenschutz noch weiter, indem Daten lokal gespeichert und nur die Analysen und Erkenntnisse in die Cloud übertragen werden.
- Kostenreduziert: Durch die Verlagerung der Rechenleistung näher an den Rand benötigen Anwendungen weniger Internetbandbreite, was zu erheblichen Einsparungen bei den Netzwerkkosten führt.
- Konsequente Verbesserung: Wenn KI-Modelle mit mehr Daten trainiert werden, werden sie genauer. Wenn eine Edge-KI-Anwendung auf Daten stößt, die sie nicht präzise oder zuverlässig verarbeiten kann, lädt sie diese häufig hoch, damit die KI neu trainieren und daraus lernen kann. Je länger also ein Modell am Edge in Produktion ist, desto genauer wird es.
Edge-KI-Anwendungsfälle
Industriemaschinen und Verbrauchergeräte sind die beiden Hauptsegmente des Edge-KI-Marktes. Demonstrationstests zeigen Verbesserungen in Bereichen wie der Regulierung und Optimierung von Geräten und der Automatisierung von Facharbeiterfähigkeiten.
Auch Consumer-Gadgets mit KI-fähigen Kameras, die Bildmotive automatisch erkennen, machen Fortschritte. Der Markt für Verbrauchergeräte wird voraussichtlich ab 2021 dramatisch wachsen, da die Anzahl der Geräte größer ist als die Anzahl der Industrieanlagen. Nachfolgend haben wir einige beliebte Edge-KI-Anwendungsfälle aufgelistet:
- Autonome Drohnen – Drohnen Laut den Nachrichten haben sie die Kontrolle verloren und sind verschwunden, während sie Fernflugtests durchgeführt haben. Der Pilot einer autonomen Drohne ist nicht am Fliegen der Drohne beteiligt. Sie behalten die Dinge aus der Ferne im Auge und setzen die Drohne nur ein, wenn es unbedingt nötig ist. Amazon Prime Air, ein Drohnenlieferunternehmen, das selbstfahrende Drohnen zur Lieferung von Artikeln entwickelt, ist das bekannteste Beispiel dafür.
- Selbstfahrende Autos – Die Die spannendste Anwendung von Edge Computing sind selbstfahrende Autos. Selbstfahrende Autos müssen Situationen unter vielen Umständen sofort bewerten, was eine Datenverarbeitung in Echtzeit erfordert. Das japanische Straßenverkehrsgesetz und das Straßentransportfahrzeuggesetz wurden im Dezember 2019 überarbeitet, um es einfacher zu machen, selbstfahrende Fahrzeuge der Stufe 3 auf die Straße zu bringen. Dazu gehören die Sicherheitsanforderungen, die autonome Autos erfüllen müssen, sowie die Orte, an denen sie fahren dürfen. Daher entwickeln Autohersteller selbstfahrende Fahrzeuge, die diese Anforderungen erfüllen. Toyota beispielsweise testet den TRI-P4 mit Vollautomatisierung (Level 4) auf Herz und Nieren.
- Smartphones – Das ist das Edge-KI-Gadget, mit dem wir alle am besten vertraut sind. Siri und Google Assistant, die Edge-KI verwenden, um ihre Stimme anzutreiben Benutzeroberflächen, sind ideale Instanzen von Edge-KI auf Smartphones. On-Device-KI macht das Senden von Gerätedaten an die Cloud überflüssig, da die Verarbeitung auf dem Gerät (Edge) stattfindet. Dies hilft, die Privatsphäre zu schützen und gleichzeitig den Datenverkehr zu reduzieren.
- Unterhaltung – Virtuell Reality-, Augmented-Reality- und Mixed-Reality-Anwendungen zur Unterhaltung umfassen das Streamen von Videomaterial auf Virtual-Reality-Brillen. Durch die Auslagerung der Verarbeitung von der Brille auf Edge-Server in der Nähe des Endgeräts kann die Größe einer solchen Brille minimiert werden. Microsoft hat beispielsweise gerade HoloLens vorgestellt, einen holografischen Computer, der in eine Kopfbedeckung passt und es Benutzern ermöglicht, Augmented Reality zu erleben. Microsoft plant den Einsatz der HoloLens um herkömmliche Computer-, Datenanalyse-, medizinische Bildgebungs- und Gaming-at-the-Edge-Anwendungen bereitzustellen.
- Gesichtserkennung – Gesicht Erkennungssysteme sind eine Weiterentwicklung von Überwachungskameras, die lernen können, Personen anhand ihrer Gesichter zu erkennen. KI-Kameramodul, das modernste KI-Computertechniken verwendet, um Gesichtsmerkmale in Echtzeit zu bewerten. Es kann Gesichter schnell und präzise erkennen und eignet sich daher ideal für Marketinginstrumente, die auf bestimmte Merkmale wie das Alter abzielen, sowie für die Gesichtserkennung zum Entsperren von Geräten.
5G & Edge-KI
Die lebenswichtige Anforderung für 5G in wachstumsstarken Bereichen wie vollständig selbstfahrenden Autos, Virtual-Reality-Erlebnissen in Echtzeit und unternehmenskritischen Anwendungen treibt mehr Innovationen in Edge Computing und Edge AI voran.
5G ist das Mobilfunknetz der nächsten Generation das darauf abzielt, die Servicequalität deutlich zu verbessern, wie z. B. einen besseren Durchsatz und eine geringere Latenzzeit, wodurch 10-mal schnellere Datenraten als bei bestehenden 5G-Netzwerken erzielt werden.
Betrachten Sie die Paketzustellung in Echtzeit in selbstfahrenden Autos, die eine Ende-zu-Ende-Verzögerung von weniger als 10 ms erfordert, um die Anforderungen an eine schnelle Datenübertragung und eine lokale Berechnung auf dem Gerät zu berücksichtigen.
Die minimale Ende-zu-Ende-Verzögerung für den Cloud-Zugriff ist größer als 80 ms, was für viele reale Anwendungen nicht akzeptabel ist. Edge-Computing erfüllt die Sub-Millisekunden-Anforderungen von 5G-Anwendungen und reduziert gleichzeitig den Energieverbrauch um 30-40 %, was zu einem bis zu 5-mal geringeren Energieverbrauch im Vergleich zum Cloud-Zugriff führt.
Edge-Computing und 5G erhöhen die Netzwerkgeschwindigkeit und ermöglichen die Implementierung und Bereitstellung verschiedener Echtzeit-KI-Anwendungen, wie z. B. KI-basierte Echtzeit-Videoanalysen, die auf einer Datenübertragung mit geringer Latenz basieren.
Future
Edge AI wird immer beliebter und es wurden erhebliche Investitionen in diesem Bereich getätigt. Beispielsweise wurde im Januar 2020 bekannt gegeben, dass Apple 200 Millionen US-Dollar für den Kauf des in Seattle ansässigen KI-Unternehmens Xnor.ai bezahlt hat.
Die Edge-Verarbeitung wird von der KI-Technologie von Xnor.ai verwendet, um Daten auf dem Smartphone des Benutzers zu verarbeiten. Mit integrierter KI auf Smartphones sollten wir Verbesserungen bei der Sprachverarbeitung, der Gesichtserkennungstechnologie und dem Datenschutz erwarten.
Mit der Einführung von 5G können wir weltweit niedrigere Preise und eine höhere Nachfrage nach Edge-KI-Diensten erwarten.
Zusammenfassung
Da die Menschen immer mehr Zeit mit ihren Mobilgeräten verbringen, erkennen immer mehr Unternehmen und Entwickler den Wert der Implementierung von Edge-Technologie, um einen schnelleren und effizienteren Service bereitzustellen und gleichzeitig die Gewinnmargen zu erhöhen.
In Bezug auf KI-basierte Dienste auf Unternehmensebene sowie den Komfort und die Zufriedenheit der Verbraucher wird dies ein ganz neues Universum an Möglichkeiten eröffnen.
Große Unternehmen wie Amazon und Google haben Millionen in die Entwicklung ihrer Edge-KI-Systeme investiert, daher ist es die einzige Möglichkeit, die Führung zu übernehmen und in diese Technologien zu investieren, um wettbewerbsfähig zu bleiben.
Die gestiegene Nachfrage nach IoT-Geräten hingegen wird 5G-Netze und Edge Computing weiter verbreiten.
Hinterlassen Sie uns einen Kommentar