Einfach erklärt

Edge AI bedeutet: Künstliche Intelligenz läuft direkt am Rand des Netzes („Edge“) – auf Geräten vor Ort, nicht in der fernen Cloud. Dadurch sind Antworten schnell, auch ohne Internet möglich, Daten bleiben vor Ort.

Beispiele:

  • Smartphone‑Übersetzer offline: Die App übersetzt ohne Cloud, weil das KI‑Modell auf dem Handy rechnet.
  • Produktionslinie: Eine Kamera mit KI erkennt Fehler an Teilen in Millisekunden und stoppt den Prozess.
  • Auto/Assistent: Ein Fahrerassistenzsystem erkennt Fußgänger/Schilder direkt im Fahrzeug (geringe Latenz – sicherheitskritisch).
  • Wearable/Medizin: Eine Uhr erkennt Herzrhythmus‑Anomalien lokal und warnt den Nutzer.

Warum Edge AI?


Professionelle Definition

Edge AI ist die Ausführung von KI‑Inferenz (selten: Training) auf Edge‑Systemen – von Mikrocontrollern (TinyML) über Gateways bis eingebettete SoCs (z. B. Jetson/Edge‑TPU, Neural‑Engines in Smartphones). Zielgrößen sind Latenz, Datenschutz/Compliance, Bandbreitenreduktion und Verfügbarkeit.
Wesentliche Techniken: Modellkompression (Quantisierung bis INT8/4, Pruning, Distillation), Effizienz‑Architekturen (MobileNet, EfficientNet, Tiny/‑Transformers), Hardware‑Beschleuniger (z. B. Core ML/ANE, Android NNAPI, Edge TPU, TensorRT/CUDA), sowie MLOps‑am‑Edge (Deployment/Update, A/B‑Rollouts, Überwachung, Federated Learning für dezentrale Daten).
Topologien: On‑device (alles lokal), near‑edge (Gateway/On‑prem‑Server), hybrid (Vorverarbeitung am Edge, Feinschritt in der Cloud).


Quellen

Weiterführende Informationen Ki Automatisierung