Sobald neue Technologie auf den Markt kommen, will man wissen: In welche Richtung wird sich diese Technologie entwickeln?

Womit werden wir zu rechnen haben? Und was kommt auf uns zu? Hier sollte man aber nicht bloß unreflektiert nur das Positive betrachten.

Es gilt auch, ein offenes Auge für die möglichen Herausforderungen zu haben.

In einer breit angelegten Metastudie zum Thema Edge KI haben Raghubir Singh und Sukhpal Singh Gill hier 21 Studien herangezogen, um Trends und offene Fragen in der gegenwärtigen Edge-KI Foschung zu analysieren.

Die Autoren kommen zu dem Schluss, dass Edge KI das Potenzial hat, Branchen zu transformieren und neue Anwendungen zu ermöglichen, die zuvor nicht möglich waren.

Raghubir Singh und Sukhpal Singh Gill (2023) indentifizieren diese 3 Trends im Bereich Edge KI:

• Zunehmende Verbreitung: Es wird erwartet, dass Edge AI an Beliebtheit gewinnt und eine weit verbreitete Anwendung findet, da immer mehr Geräte mit Rechenleistung ausgestattet werden und Daten lokal verarbeiten können .

• Schnellere Verarbeitung: Edge-Geräte werden mit schnelleren Prozessoren ausgestattet, die es ermöglichen, Daten schneller zu verarbeiten und die Leistung von KI-Algorithmen zu verbessern.

• Verbesserte Genauigkeit: Die Genauigkeit von Edge AI wird sich durch eine bessere Datenqualität, effizientere Algorithmen und die Fähigkeit, Daten aus mehreren Quellen einzubeziehen, verbessern.

Raghubir Singh und Sukhpal Singh Gill (2023) indentifizieren diese 3 bedeutenden Herausforderungen der Edge-KI:

• Datenschutz und Sicherheit: Edge AI muss sich mit Datenschutz- und Sicherheitsfragen befassen, die mit der Verarbeitung von Daten auf lokalen Geräten verbunden sind. Techniken wie föderiertes Lernen, bei dem Modelle lokal trainiert werden, ohne dass Rohdaten ausgetauscht werden, werden an Bedeutung gewinnen.

• Energieeffizienz: Edge-Geräte werden so konzipiert, dass sie energieeffizienter sind, da sie auf Batterien angewiesen sind. Techniken wie Modellkompression und Quantisierung werden verwendet, um den Energieverbrauch von KI-Algorithmen zu reduzieren.

• Integration von Edge- und Cloud-Computing: Edge AI und Cloud-Computing werden integriert, um hybride Lösungen zu schaffen, die die Vorteile beider Ansätze bieten. Beispielsweise kann die Cloud zum Trainieren von Modellen verwendet werden, während das Edge-Gerät für Echtzeit-Inferenz zuständig ist.

Im Zusammenhang mit den obigen Themen verweisen Raghubir Singh und Sukhpal Singh Gill (2023) auf folgende wissenschaftliche Quellen:

Zunehmende Verbreitung von Edge KI:
Die Nutzung von Edge-KI nimmt stetig zu, da immer mehr Anwendungen von den Vorteilen der dezentralen Datenverarbeitung profitieren (Shafique et al., 2021).

Shafique, M., Marchisio, A., Putra, R.V.W. & Hanif, M.A. (2021) Towards energy-efficient and secure edge AI: A cross-layer framework ICCAD special session paper. In: 2021 IEEE/ACM International Conference on Computer-Aided Design (ICCAD), IEEE, S. 1–9. Verfügbar unter: https://doi.org/10.1109/ICCAD51958.2021.9643495 (Zugriff am 11. Februar 2025).

Schnellere Verarbeitung durch Edge KI:
Durch die Verlagerung von Rechenoperationen auf Edge-Geräte können Daten deutlich schneller verarbeitet werden (Delacour et al., 2021).

Delacour, C., Carapezzi, S., Abernot, M., Boschetto, G., Azemard, N., Salles, J., Gil, T. & Todri-Sanial, A. (2021) Oscillatory neural networks for edge AI computing. In: 2021 IEEE Computer Society Annual Symposium on VLSI (ISVLSI), IEEE, S. 326–331. Verfügbar unter: https://doi.org/10.1109/ISVLSI51109.2021.00068 (Zugriff am 11. Februar 2025).

Verbesserte Genauigkeit von Edge KI:
Die Kombination von KI-gestützten Algorithmen und Edge-Computing kann die Erkennungsgenauigkeit erheblich verbessern (Yang et al., 2019).

Yang, H., Wen, J., Wu, X., He, L. & Mumtaz, S. (2019) An efficient edge artificial intelligence multipedestrian tracking method with rank constraint. IEEE Transactions on Industrial Informatics, 15(7), S. 4178–4188. Verfügbar unter: https://doi.org/10.1109/TII.2019.2899960 (Zugriff am 11. Februar 2025).

Datenschutz und Sicherheit in Hinblick auf Edge KI:
Durch die Verarbeitung von Daten direkt am Gerät kann die Sicherheit erhöht und der Datenschutz verbessert werden (Liu et al., 2022).

Liu, D., Kong, H., Luo, X., Liu, W. & Subramaniam, R. (2022) Bringing AI to edge: From deep learning’s perspective. Neurocomputing, 485, S. 297–320. Verfügbar unter: https://doi.org/10.1016/j.neucom.2022.02.034 (Zugriff am 11. Februar 2025).

Energieeffizienz beim Thema Edge KI:
Energieeffiziente Algorithmen und Hardwareoptimierungen sind entscheidend, um die Rechenleistung auf Edge-Geräten zu maximieren (Kalapothas et al., 2022).

Kalapothas, S., Flamis, G. & Kitsos, P. (2022) Efficient edge-AI application deployment for FPGAs. Information, 13(6), 279. Verfügbar unter: https://doi.org/10.3390/info13060279 (Zugriff am 11. Februar 2025).

Edge Computing im Rahmen von Edge KI:
Edge Computing ermöglicht es, KI-Modelle näher an der Datenquelle auszuführen und so die Latenzzeiten zu minimieren (Chakraborty et al., 2023).

Chakraborty, A. et al. (2023) Journey from cloud of things to fog of things: Survey, new trends, and research directions. Software: Practice and Experience, 53(2), S. 496–551. Verfügbar unter: https://doi.org/10.1002/spe.3051 (Zugriff am 11. Februar 2025).

Training von Edge KI in der Cloud:
Viele Edge-KI-Modelle werden in der Cloud trainiert, bevor sie auf Edge-Geräten eingesetzt werden (Kamruzzaman, 2021).

Kamruzzaman, M. (2021) New opportunities, challenges, and applications of edge-AI for connected healthcare in smart cities. In: 2021 IEEE Globecom Workshops (GC Wkshps), IEEE, S. 1–6. Verfügbar unter: https://doi.org/10.1109/GCWkshps52748.2021.9681920 (Zugriff am 11. Februar 2025).