Bei einer idealen Bereitstellung würden alle Workloads zentral in der Cloud verarbeitet, um von Skalierbarkeit und Einfachheit zu profitieren. Bedenken hinsichtlich Latenz, Sicherheit, Bandbreite und Autonomie erfordern jedoch die Bereitstellung eines Modells für künstliche Intelligenz (KI) am Edge.
Diese Bereitstellungen können in Form von Edge AI und/oder Cloud AI erfolgen, die jeweils eigene potenzielle Anwendungsfälle, Vorteile und Herausforderungen bieten. Vor diesem Hintergrund erfordert die Wahl des besten Modells für Ihr Unternehmen eine sorgfältige Abwägung.
Edge AI und Cloud AI als komplementäre Modelle
Edge AI und Cloud AI spielen eine komplementäre Rolle dabei, sicherzustellen, dass die Modelle für KI-Bereitstellungen kontinuierlich verbessert werden, ohne die Qualität und Quantität der Daten zu beeinträchtigen. Cloud AI ergänzt die unmittelbare Entscheidungsfindung von Edge AI, indem sie tiefere Einblicke in längere Zeitreihen ermöglicht.
Der größte Unterschied zwischen Cloud AI und Edge AI besteht darin, wo die Daten verarbeitet werden. Cloud AI verarbeitet und speichert Daten in einer Cloud-Umgebung, die größere Flexibilität bei Design und Architektur bietet. Für eine korrekte Funktionsweise und Entscheidungsfindung benötigen die Geräte jedoch eine Internetverbindung, was zu potenziellen Latenz- und Sicherheitsproblemen führen kann.
Im Gegensatz dazu verarbeitet Edge AI Daten am äußersten Rand des Netzwerks. Dies ermöglicht eine sichere Entscheidungsfindung in Echtzeit am Edge – unabhängig von einer Verbindung.
Die für Edge AI vorgesehenen Geräte sind oft weder leistungsfähig noch schnell genug, um die Anforderungen des Edge an Speicher, Leistung, Größe und Energieverbrauch vollständig zu erfüllen. Darüber hinaus basiert die Auswahl der maschinellen Lern-algorithmen und ihrer Größen auf begrenzter Kapazität bei Größe und Speicher.
Andererseits ermöglichen die Rechen- und Speicherkapazitäten der Cloud, dass Cloud AI eine große Vielfalt von Geräten flexibel und ohne Einschränkungen bei Speicher, Größe, Leistung und Energieverbrauch unterstützt – der Nachteil sind die Kosten.
Infrastruktur und Interoperabilität
Unternehmen können Edge AI und Cloud AI kombinieren, um voneinander isolierte Datensilos zu beseitigen, die den Austausch von Erkenntnissen behindern, sodass verschiedene Unternehmensbereiche einen Nutzen daraus ziehen können. Die alleinige Verwendung von Edge AI für KI- und Internet-of-Things-Anwendungen kann den Austausch von Daten über umfassendere IT-Infrastrukturen hinweg behindern. Dadurch besteht das Risiko, dass sich aus den Daten nicht vollständig wertvolle Erkenntnisse ableiten lassen.
Um die Interoperabilität von Cloud AI und Edge AI sicherzustellen, können Unternehmen Cloud-Plattformen zusammen mit ihren Edge-Anwendungen einsetzen und so eine Verbindung zwischen Anwendungen und Diensten im gesamten Unternehmen schaffen.
Beispielsweise können Daten am Edge verarbeitet werden, und Edge AI kann den Nutzern schnell Erkenntnisse liefern, während die Cloud die Daten verarbeitet, um längerfristige Erkenntnisse zu gewinnen, die die Entscheidungsfindung in verschiedenen Unternehmensbereichen beeinflussen.
Wenn Unternehmen Anwendungsfälle haben, die eine Kombination aus Edge AI und Cloud AI erfordern, können sie priorisieren, welche Informationen am Edge und welche nicht zeitkritischen Informationen verarbeitet werden. Anschließend können sie die IT-Infrastruktur aufbauen oder anpassen, um die Anforderungen sowohl cloudbasierter als auch Edge-basierter KI-Anwendungen zu unterstützen.
Trainings- und Inferenzalgorithmen in KI-Anwendungen
Um Edge AI und Cloud AI effektiv einzusetzen, müssen Unternehmen die Eigenschaften der maschinellen Lernalgorithmen verstehen, die sie für ihre Anwendungsfälle in Betracht ziehen. Sie müssen bestimmen, ob ihr Ansatz entweder auf Trainings- oder Inferenzalgorithmen beruht.
Der Einsatz von Trainingsalgorithmen bedeutet, dass die Algorithmen des maschinellen Lernens Vorhersagen auf Grundlage ihres Datenstroms als Trainingsquelle treffen. Diese Algorithmen werden genauer, da eine kontinuierliche Feedbackschleife ihre Leistung verbessert und Fehler reduziert.
Dieser Ansatz kann jedoch rechenintensiv sein, da die Modelle ständig aktualisiert und überarbeitet werden müssen, während sie weiterhin Ergebnisse liefern. Dadurch kann Latenz entstehen. Der Trainingsansatz eignet sich letztlich besser für die Cloud, die seinen hohen Rechenanforderungen gerecht werden und genaue Ergebnisse liefern kann.
Bei einem Inferenzalgorithmus wird ein trainierter Algorithmus eingesetzt, um auf dem Gerät, auf dem neue Daten eingehen, Vorhersagen zu treffen. Da es weder eine Verfeinerung noch eine Trainingsschleife gibt, kann das Inferenzsystem problemlos am Edge angesiedelt werden.
Vorteile der Nutzung von Edge AI und Cloud AI
Verbesserte Leistung
Die Cloud allein ist für KI-Anwendungen nicht ideal. Wenn Edge AI und Cloud AI einander ergänzen, können sie die Leistung verbessern, indem sie die manchmal nur teilweise erfolgende Verarbeitung optimieren, die Latenz verursacht.
Verteiltes Lernen
Edge Computing trägt dazu bei, die Cloud zu entlasten. Daher können Edge-Geräte Modelle des maschinellen Lernens gemeinsam lokal trainieren, anstatt einen zentralisierten Trainingsansatz zu verwenden.
Bessere Entscheidungsfindung
Durch die Kombination der Echtzeit-Entscheidungsfunktionen von Edge AI mit den Rechen- und Speicherkapazitäten der Cloud, die cloudbasierte KI unterstützt, profitieren Unternehmen nicht nur von einer schnelleren, sondern auch von einer intelligenteren und flexibleren Entscheidungsfindung.
Nahtloser Zugriff auf Daten und Erkenntnisse
Ein ausgewogenes Verhältnis zwischen Cloud AI und Edge AI stellt sicher, dass ein Unternehmen die umsetzbaren Erkenntnisse und die Entscheidungsfindung beider Ansätze optimal nutzt. Der Austausch von Daten zwischen Edge- und Cloud-Modellen beeinflusst, wie Modelle des maschinellen Lernens lernen und verbessert werden, um unternehmensweit einen Mehrwert zu schaffen.
Der Nachteil der Kombination von Cloud AI und Edge AI
Damit Cloud AI und Edge AI zusammenarbeiten können, müssen Anwendungen so konzipiert sein, dass sie Workloads gezielt zwischen beiden aufteilen und verwalten.
Anwendungsfälle
Autonome Fahrzeuge
Edge- und Cloud-AI-Technologien können kombiniert werden, um die Leistung autonomer Fahrzeuge zu verbessern. Edge AI ermöglicht eine schnelle und präzise Entscheidungsfindung, sodass die Fahrzeuge in Echtzeit Entscheidungen treffen. Dadurch lassen sich Straßen- und Umweltelemente besser erkennen, was Sicherheit, Effizienz und die allgemeine Autonomie der Fahrzeuge verbessert. Darüber hinaus stellt Edge AI sicher, dass autonome Fahrzeuge auch bei Verbindungsproblemen zuverlässiger sind.
Cloud AI ermöglicht den Empfang von Daten aus autonomen Fahrzeugen und bewertet mithilfe von maschinellem Lernen und Deep Learning Kennzahlen wie die Leistung der Fahrzeuge. Dadurch kann die Bordverarbeitung mit verbesserten, aus den Daten abgeleiteten Fahrfunktionen aktualisiert werden. Die Fahrzeuge profitieren außerdem vom Speicher- und Rechenvermögen der Cloud.
Edge-fähige Kameras
Edge AI ermöglicht es Edge-fähigen Kameras, Informationen ihrer Sensoren zu verarbeiten, ohne das Netzwerk mit irrelevanten Daten zu überlasten. Werden die Zielobjekte am Edge erkannt, können die Daten zur weiteren Analyse an die Cloud übertragen werden.
Die Zukunft von Edge AI und Cloud AI
Die Zukunft von Anwendungen für künstliche Intelligenz könnte darin liegen, künstliche Intelligenz in cloudnative, edgenative oder hybride Anwendungen aufzuteilen. Da immer mehr KI-Anwendungen ein schnelleres Training in Echtzeit benötigen, wird die Nutzung von Edge AI als Option für die Bereitstellung von KI weiter zunehmen.
Unternehmen werden zunehmend vollständig integrierte Lösungen anstelle fragmentierter Technologiebausteine suchen, die sie selbst zusammenstellen müssten. Dies wird wiederum Technologiepartnerschaften vorantreiben, um vollständige Lösungen zu entwickeln, vorab zusammenzustellen und Kunden anzubieten.
Hybride Cloud-Edge-KI-Architekturen werden zum Standard werden, da Unternehmen zunehmend erkennen, dass Verarbeitung und Entscheidungsfindung sowohl in der Cloud als auch am Edge erfolgen sollten.