Edge Analytics optimiert Standorte Wann lohnt sich Edge AI für IoT-Projekte?

Vor einem Jahrzehnt sorgte Cloud Computing für eine große Begeisterung in der IT-Industrie. Einen ähnlich großen Hype erlebt nun das Thema Edge AI, eine Technologie, um IoT-Daten direkt am Ort der Datenerzeugung auszuwerten.

Anbieter zum Thema

Schneider Electric GmbH

PresseBox - unn | UNITED NEWS NETWORK GmbH

Fujitsu Technology Solutions GmbH

Im Cloud-Zeitalter konzentrierten sich Unternehmen noch darauf, zentrale Cloud-basierte Systeme für die Datenverarbeitung und -analyse zu schaffen. Mit dem neuen Ansatz für Edge Computing entsteht eine Architektur, mit der das Speichern, Verarbeiten und Analysieren von Daten in Echtzeit am Punkt der Datenerzeugung erfolgt. Daraus ergeben sich Vorteile wie eine geringere Netzwerkbelastung sowie niedrigere Kosten für die Konnektivität sowie für das Speicher- und Datenbankmanagement. Weiterhin wird es möglich, Daten in Echtzeit zu analysieren.

Die neue Edge-Technologie birgt branchenübergreifend ein enormes Potenzial für unterschiedlichste IoT-Anwendungen. So kann beispielsweise ein Energieversorger mithilfe von Edge Analytics die Nutzung verschiedener Energiequellen - z.B. erneuerbare Energien, traditionelle Netzgeneratoren, Batterien - an seinen Standorten optimieren. Fällt die Solarenergie an einem Ort aus, erhöht das System automatisch die Energieerzeugung aus einer anderen Quelle. Ein weiteres Beispiel ist die medizinische Überwachung. Hier können Analysefunktionen Abweichungen bei Vitalwerten schneller erkennen und Ärzte sofort benachrichtigen.

Entscheidungsfindung in Echtzeit

Edge AI eignet sich ideal für Szenarien, in denen unternehmenskritische Daten eine Entscheidungsfindung in Echtzeit auf Geräteebene erfordern. In diesen Fällen sammelt das Endgerät nicht nur Daten, es ist ein nahezu autonomes und mit maschinellem Lernen ausgestattetes System, um selbstständig Entscheidungen treffen zu können. Car2X- (V2X-) Kommunikation beispielsweise erfordert Edge AI, um automatisiert Gefahrenwarnungen auszugeben oder Kollisionen und Staus zu vermeiden. Eine Zeitverzögerung durch eine Datenübertragung in die Cloud wäre in diesem Fall sogar gefährlich.

Edge AI ist auch dann effektiv, wenn eine konstante Verbindung zur Cloud nicht gewährleistet ist. MAN PrimeServ nutzt zur Überwachung von Schiffsmotoren eine Edge AI-Technologie, um Daten von Bordcomputern auf See zu überwachen und auszuwerten, da das Senden dieser wichtigen Daten in die Cloud über Satelliten zu teuer wäre. Erst wenn ein Schiff an Land zurückkehrt, werden Daten über eine Mobilfunkverbindung in die Cloud für eine weitergehende Analyse übertragen.

Vorsicht ist geboten

Unternehmen haben bei Edge AI einige Herausforderungen zu bewältigen. So ist zu klären, wie sich bereits eingesetzte IoT-Geräte mit mehr Intelligenz versehen lassen. Denn: Die Endgeräte sollten in der Lage sein, Edge AI-Anwendungen zu unterstützen und müssen auf Basis der gesammelten Daten Entscheidungen treffen können.

Ein weiterer Aspekt ist die Datensicherheit. Wenn Endgeräte mehr Kontrolle über Daten erhalten, werden sie leichter zum Ziel von Cyberangriffen. Unternehmen sollten daher für die IoT-Geräte SIM-Karten verwenden, die eine Geräteauthentifizierung verbessern und eine Kontrolle der Netzwerkrichtlinien erlauben. Somit wird es möglich, die vom jeweiligen Gerät aus erreichbaren Datenquellen einzuschränken und die Sicherheit von IoT-Daten während des Transfers zu gewährleisten.

Maßnahmen für mehr Datensicherheit verlangen jedoch zusätzliche Rechenleistung. Je mehr Funktionen auf dem Endgerät implementiert sind, desto mehr Strom verbraucht ein IoT-Device. IT-Manager sollten daher im Vorfeld analysieren, ob die Investition sinnvoll ist, eine klassische IoT-Lösung in eine AI-Lösung zu erweitern. Dafür sollten die Vorteile von Echtzeitinformationen und einer schnelleren Entscheidungsfindung berücksichtigt werden.

Alternative IoT-Gateway

Die Entscheidung hängt letztlich vom konkreten Anwendungsfall ab, einschließlich der gewünschten Ziele und der erzielten Wertschöpfung. Wenn keine Entscheidungen in Echtzeit benötigt werden, lohnt sich die Investition wahrscheinlich nicht. In diesem Fall ist es möglicherweise besser, ein IoT-Gateway für den Datentransfer zwischen den vorhandenen IoT-Endpunkten zu verwenden und stattdessen Edge AI auf einem Gateway-Rechner zu implementieren. In industriellen IoT-Anwendungen befindet sich dieses Gateway beispielsweise zwischen den M2M-Endgeräten einer Fabrik und der Cloud. In diesem Fall können die M2M-Endpunkte dann die Datenanalyse- und Entscheidungsfunktionen des IoT-Gateways nutzen und Entscheidungen in Echtzeit treffen.

Da es sich bei Edge AI noch um eine junge Technologie handelt, sollten Unternehmen neben der Euphorie auch etwas Pragmatismus an den Tag legen. Die Kosten für den Einsatz von Edge AI können in einigen Anwendungsfällen die Vorteile von Echtzeitinformationen überwiegen – dies ist auch der erste Aspekte, den IT-Verantwortliche in einem solchen Projekten berücksichtigen sollten. Weitere Fragen im Rahmen des Entscheidungsprozesses betreffen die IoT-Anwendung: Soll diese nur Daten sammeln oder tatsächlich auch Entscheidungen treffen können? Muss dies in Echtzeit erfolgen und werden die Datenanalysen stündlich, täglich oder wöchentlich benötigt? Muss eine IoT-Anwendung Daten in kurzen Intervallen verarbeiten, kann eine Lösung für Edge AI tatsächlich sinnvoll sein.

(ID:46176882)