Ziel von Edge AI ist es, Daten möglichst dort zu verarbeiten und zu analysieren, wo sie entstehen, also nahe am Endgerät. Da die Daten so nicht an Rechenzentren übertragen werden müssen, können die KI-Systeme schneller reagieren. Die Daten von Personen oder Unternehmen verbleiben zudem bei den Nutzenden. Dies eröffnet überall dort Einsatzmöglichkeiten, wo ein Betrieb in Echtzeit wünschenswert ist und sensible Daten verarbeitet werden müssen – etwa Gesundheitsdaten in der Medizin oder wertvolle Unternehmensdaten. Die Whitepaper-Autoren geben jedoch zu bedenken, dass Edge AI-Systeme auf vielen Endgeräten unter Umständen mehr Angriffsflächen für Cyberattacken bietet als ein gut geschütztes Rechenzentrum.
Aktuell dominieren die großen generativen KI-Modelle die öffentliche Diskussion. Sie basieren auf immer größeren zentral verarbeiteten Datenmengen und immer höheren Rechenkapazitäten. Zudem ist ihr Energieverbrauch hoch: Ein Bildgenerator benötigt beim Erstellen eines Bildes etwa so viel Energie wie für das Aufladen eines Handyakkus notwendig ist. Edge AI muss hingegen mit einer sehr begrenzten Rechenleistung und Speicherkapazität auf dem Endgerät auskommen und daher besonders energieeffizient arbeiten. Die Autorinnen und Autoren des Whitepapers erachten diese Beschränkungen sowohl als Herausforderung für die Entwicklung als auch als Chance, da sie Treiber für ressourcenschonende KI-Innovationen seien.
Ein Baustein, um Herausforderungen zu bewältigen
Edge AI sei ein technologischer Baustein, um Herausforderungen wie den Klimawandel, digitale Souveränität oder die Energieversorgung zu bewältigen, heißt es im Whitepaper. So können Edge AI-basierte Stromzähler zu einer stabilen Versorgung mit erneuerbaren Energien beitragen. Sensoren in Recyclinganlagen können mithilfe der Technologie Wertstoffe im Abfall erkennen. Unternehmen ermöglicht die Technologie, unabhängiger von Cloud-Anbietern zu agieren, da Datenströme an der Quelle verarbeitet werden.
„Die genannten Vorteile öffnen eine Vielzahl von Potenzialen gerade in deutschen Leitindustrien wie Automobil, Maschinenbau und Medizintechnik. Auch wenn es bereits Erfolge vorzuweisen gibt, so nutzen wir das verfügbare Potenzial aber bei weitem noch nicht aus. Die Gestaltung der Netze, das Trainieren der Netze, die Übersetzung der Netze und die Hardware-Architekturen zur Berechnung der Netze werden weitgehend unabhängig betrachtet. Eine holistische Herangehensweise ist notwendig, um eine leistungsstarke Edge AI-Technik bereitzustellen“, sagt Wolfgang Ecker, Distinguished Engineer bei Infineon Technologies und Mitglied der Arbeitsgruppe Technologische Wegbereiter und Data Science der Plattform Lernende Systeme, „Und ebenso müssen Technik und Anwendungen gemeinsam betrachtet werden. Nur mit dem Wissen der Anwendung können die Edge AI-Maschinen effizient gestaltet werden und im Gegenzug können nur mit dem Wissen der Leistungsfähigkeit der Edge AI-Technik neue Anwendungen entwickelt werden.“
Transfer in die Praxis stärken
Die Kombination aus technologischem Wissen, Expertise in den ansässigen Industriezweigen und Erfahrung in der Entwicklung physischer Produkte mache Deutschland und Europa zu einem idealen Standort, um das Potenzial von Edge AI auszuschöpfen, so die Autorinnen und Autoren des Whitepapers. Allerdings lässt sich die Software für eine bestimmte Hardware meist nicht einfach auf ein anderes Endgerät übertragen. Zudem fehlen Expertinnen und Experten für das Hardware-Design. Beides bremst den Einsatz von Edge AI in der Praxis. Die Autorinnen und Autoren empfehlen, Plattformen zu entwickeln, auf denen Basisbausteine für Edge AI bereitgestellt werden, die je nach Bedarf an die verschiedenen Branchen angepasst werden können. Dies setzt eine entsprechende Standardisierung voraus. Auch sollte die Forschung zu ressourcenschonender Datenverarbeitung innerhalb der Grenzen der Endgeräte vorangetrieben werden.
Das Whitepaper steht hier zum Download zur Verfügung
