KI trifft Edge Computing Aufstieg der Embedded Intelligence

Anbieter zum Thema

Fsas Technologies GmbH

Board Deutschland GmbH

INFOMOTION GmbH

Mit zunehmender Dezentralisierung verlagert Embedded Intelligence (EI) die Verarbeitung an die Edge, wo Sensoren die Daten sammeln und Technologien der Künstlichen Intelligenz (KI) nahezu vollständig autonom agieren. Damit wird eine Vielzahl von branchenübergreifenden Use Cases mit erhöhter Performanz geschaffen.

Modelle für maschinelles Lernen (ML) verbrauchen naturgemäß viele Ressourcen und erfordern eine leistungsfähige Infrastruktur. Anwendungen für maschinelles Lernen, ML-Frameworks sowie die Rechenleistung von Prozessoren können jetzt dank der jüngsten Entwicklungen für maschinelles Lernen und fortschrittlicher Algorithmen direkt auf eingebetteten Geräten wie beispielsweise intelligenten Kameras bereitgestellt werden.

Somit wird die Verarbeitung an „die Edge“ verlagert, wo Sensoren direkt die Daten sammeln und eingebettete Intelligence-Technologien wie beispielsweise das maschinelle Lernen sie weiterverarbeiten. Darüber hinaus unterstützen sie die Verwendung von neuronalen Netzen und anderen Frameworks für maschinelles Lernen sowie Signalverarbeitungsdienste, Modellkonstruktion, Gestenerkennung usw.

Vorteile der Embedded Intelligence

Embedded Intelligence bezieht sich auf die Fähigkeit von Geräten oder Prozessen, die Performance zu analysieren und zu bewerten. Dies wiederum führt zu einer weiteren Steigerung der Performance. Der Einsatz von EI birgt unter anderem folgende Vorteile:

Höhere Skalierbarkeit: Da die Nachfrage nach vernetzten IoT-Geräten steigt, wird EI aufgrund ihrer effizienten Datenverarbeitung zur absoluten Wahl, ohne sich stark auf ein Cloud-basiertes zentralisiertes Netzwerk zu verlassen.

Zuverlässigkeit: Ein Gerät, das Daten lokal verarbeiten kann, ist weniger störanfällig und reduziert Ausfallzeiten. Das ist eine entscheidende Anforderung spezialisierter Tools in der Industrie oder für sensible Geräte, auf die ein User angewiesen ist. Eingebettete KI-Lösungen sind in dieser Hinsicht weitaus leistungsfähiger als herkömmliche KI-Computing-Lösungen.

Reduzierte Latenzrate: Berechnungen auf Basis von EI lassen sich in Millisekunden durchführen, da keine Daten zur anfänglichen Verarbeitung an eine Cloud gesendet werden müssen.

Kosteneffizienz: EI-Geräte müssen keine performante Netzwerk-Infrastruktur vorhalten, um Daten zu verarbeiten. Dadurch ist eine geringere Konnektivität notwendig, was die Produktionskosten reduziert. Zudem wird die Datenübertragung minimiert, wodurch viel Bandbreite eingespart wird. Somit fallen in dieser Hinsicht weitestgehend Cloud-Dienste weg, was EI im Vergleich zu Cloud-basierten ML-Lösungen zu einer kostengünstigen Lösung macht.

Datenschutz: Da Edge-Geräte nicht vollständig von Cloud-Ressourcen abhängig sind, sind Hacker in der Regel nicht in der Lage, das gesamte Cloud-Rechenzentrum bzw. Serversystem zum Stillstand zu bringen.

Anwendungsfälle für EI

In der Folge werden einige Use Cases als Beispiele für den Einsatz von Embededed Intelligence skizziert:

Bildanalyse: Die Echtzeiterkennung einer sich ständig ändernden Szene basierend auf Videostreaming erfordert eine hohe Datenbandbreite, wenn sie in der Cloud durchgeführt wird. Alternativ ermöglichen KI-Technologien on the Edge eine lokale Analyse einer visuellen Szene wie beispielsweise das Verständnis dieser Szene für die Kontextanalyse, die gleichzeitige Erkennung mehrerer Objekte zur Vermeidung von Hindernissen, die Identifizierung von Personen für einen sicheren Zugang usw.

Überwachung: Intelligente Kameras mit Deep-Learning-Funktionen können erfasste Bilder lokal verarbeiten, um Objekte und Personen zu identifizieren und verdächtige Aktivitäten direkt am Edge-Knoten zu erkennen. Diese Kameras minimieren die Kommunikation mit den Remote-Servern, indem sie Daten beispielsweise nur bei einem auslösenden Ereignis senden, wodurch sich auch die Remote-Verarbeitung und der Speicherbedarf reduziert. Eine typische Anwendung ist die Einbruchüberwachung.

Autonomes Fahren: Eine intelligente Fahrzeugkamera kann Fahrzeuge, Verkehrszeichen, Fußgänger, Straßen und Objekte lokal erkennen und nur die für das autonome Fahren erforderlichen Informationen an die Hauptsteuerung senden. Ein ähnliches Konzept lässt sich auf Roboter und Drohnen anwenden.

Customer Journey: Emotionale Reaktionen einer Person durch Ausdrucksanalysen können Hinweise auf den Grad der Akzeptanz einer Dienstleistung oder die Vorlieben bzw. Abneigungen gegenüber verschiedene Produkte liefern.

Audioanalyse: KI bzw. Deep Learning können eine Szene in all ihren Elementen analysieren, um die folgenden Funktionen zu ermöglichen:

• Klassifizierung von Audioszenen: Solche Verfahren helfen dabei, den Standort zu verstehen, um Funktionen auszulösen, einschließlich einer standortspezifischen Ad-hoc-Sprachschnittstelle zur Rauschunterdrückung, sowie die Berührungs- und Schreibfunktionen für ein Smartphone in einem Auto (Fahrermodus) zu deaktivieren.

• Erkennung von Audioereignissen: Die Erkennung von Geräuschen wie das Weinen eines Babys, von zerbrechendem Glas oder einem Schuss kann eine Aktion auslösen, einschließlich Benachrichtigungen mit Standorterkennung. Da das Verständnis bestimmter Schallereignisse unter Bedingungen mit mehreren Quellen eine latenzkritische Aufgabe darstellt, kann EI an der Edge sehr schnell und effektiv ein Audio-Ereignis unter zahlreichen überlappenden Schallquellen identifizieren. So kann beispielsweise das Erkennen eines herannahenden Fahrzeugs bzw. quietschender Bremsen lebensrettend sein. Gleichzeitig ist die Analyse und das Verständnis menschlicher Sprache ein Schlüsselmerkmal für weiterführende Mensch-Maschine-Interaktionen. Eine Variante, die begrenzte Ressourcen verwendet, ist die Erkennung von Schlüsselwörtern. Dieser Ansatz verwendet ein begrenztes Vokabular aktivierender Wörter, die für die Anwendung nützlich sind. Eine Lampe muss zum Beispiel nicht viel mehr wissen als „an“, „aus“, „heller“ oder „dunkler“.

• Text-to-Speech (TTS) und Speech-to-Text (STT): TTS und STT sind Beispiele für komplexe Aufgaben, bei denen KI und DL zum Einsatz kommen, um diese Funktionalitäten an die Edge zu bringen. Beispiele sind freihändige Textlese- und -schreibfunktionen für die Automobilindustrie, bei denen sich der Fahrer auf das Autofahren konzentrieren kann, während er mit dem System interagiert.

• Conversational User Interfaces (CUI): Die DL-basierte Spracherkennung wird in einem Conversational User Interfaces (CUI) verwendet, wo die Fähigkeiten der Verarbeitung von natürlicher Sprache (Natural Language Processing – NLP) drastisch erweitert werden, indem es beispielsweise einem Chatbot ermöglicht wird, mit einer Konversation auf menschlicher Ebene zu interagieren (Dialog)

(ID:49572533)