Wenn man künstliche Intelligenz als Reise von A nach B betrachtet, ist Cloud-Computing vergleichbar mit einem Flughafen oder Hochgeschwindigkeitsbahnhof, Edge-Computing hingegen mit einem Taxi oder einem Leihfahrrad. Edge-Computing befindet sich in unmittelbarer Nähe von Menschen, Dingen oder Datenquellen. Es nutzt eine offene Plattform, die Speicher, Rechenleistung, Netzwerkzugriff und Kernfunktionen für Anwendungen integriert, um Nutzern in der Umgebung Dienste bereitzustellen. Im Vergleich zu zentral bereitgestellten Cloud-Computing-Diensten löst Edge-Computing Probleme wie hohe Latenzzeiten und hohen Datenverkehr und bietet so eine bessere Unterstützung für Echtzeit- und bandbreitenintensive Dienste.
Der ChatGPT-Skandal hat eine neue Welle der KI-Entwicklung ausgelöst und den Einzug von KI in immer mehr Anwendungsbereiche wie Industrie, Einzelhandel, Smart Homes und Smart Cities beschleunigt. Da große Datenmengen direkt auf der Anwendungsseite gespeichert und verarbeitet werden müssen und die alleinige Nutzung der Cloud den tatsächlichen Bedarf nicht mehr deckt, optimiert Edge Computing die letzte Meile von KI-Anwendungen. Im Zuge der nationalen Politik zur Förderung der digitalen Wirtschaft hat Chinas Cloud Computing eine Phase der umfassenden Entwicklung erreicht, die Nachfrage nach Edge Computing ist sprunghaft angestiegen, und die Integration von Cloud, Edge und Endgerät hat sich zu einer wichtigen Entwicklungsrichtung für die Zukunft entwickelt.
Der Markt für Edge-Computing wird in den nächsten fünf Jahren voraussichtlich um 36,1 % CAGR wachsen.
Die Edge-Computing-Branche befindet sich in einer Phase stetigen Wachstums. Dies belegen die zunehmende Diversifizierung der Dienstleister, das wachsende Marktvolumen und die Ausweitung der Anwendungsbereiche. Laut Daten aus dem Tracking-Bericht von IDC erreichte der Gesamtmarkt für Edge-Computing-Server in China im Jahr 2021 ein Volumen von 3,31 Milliarden US-Dollar. Für den Zeitraum von 2020 bis 2025 wird ein durchschnittliches jährliches Wachstum von 22,2 % erwartet. Sullivan prognostiziert, dass der Markt für Edge Computing in China bis 2027 ein Volumen von 250,9 Milliarden RMB erreichen wird, was einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 36,1 % von 2023 bis 2027 entspricht.
Edge-Computing-Ökosystem floriert
Edge Computing befindet sich aktuell noch in der Anfangsphase seiner Entwicklung, und die Grenzen innerhalb der Wertschöpfungskette sind noch relativ fließend. Einzelne Anbieter müssen die Integration in bestehende Geschäftsszenarien berücksichtigen und sich technisch an Veränderungen anpassen können. Zudem ist eine hohe Kompatibilität mit der Hardware sowie die Fähigkeit zur erfolgreichen Projektumsetzung unerlässlich.
Die Wertschöpfungskette der Edge-Computing-Branche gliedert sich in Chiphersteller, Algorithmenanbieter, Hardwarehersteller und Lösungsanbieter. Chiphersteller entwickeln hauptsächlich Rechenchips für Endgeräte, Edge-Computing und Cloud-Computing. Neben Edge-Chips entwickeln sie auch Beschleunigungskarten und unterstützen Softwareentwicklungsplattformen. Algorithmenanbieter nutzen Computer-Vision-Algorithmen als Grundlage für die Entwicklung allgemeiner und kundenspezifischer Algorithmen. Darüber hinaus bieten sie Algorithmen-Malls oder Trainings- und Bereitstellungsplattformen an. Hardwarehersteller investieren aktiv in Edge-Computing-Produkte, deren Vielfalt stetig wächst und die schrittweise eine vollständige Produktpalette vom Chip bis zum kompletten System bilden. Lösungsanbieter stellen Software oder integrierte Software-Hardware-Lösungen für spezifische Branchen bereit.
Anwendungen der Edge-Computing-Industrie beschleunigen
Im Bereich der intelligenten Stadt
Die umfassende Inspektion städtischer Liegenschaften erfolgt derzeit üblicherweise manuell. Diese manuelle Inspektionsmethode ist jedoch mit hohem Zeit- und Arbeitsaufwand, starker Abhängigkeit von Einzelpersonen, geringer Abdeckung und Inspektionsfrequenz sowie mangelhafter Qualitätskontrolle verbunden. Gleichzeitig fallen bei den Inspektionen große Datenmengen an, die jedoch nicht als wertvolle Geschäftsressourcen genutzt werden. Durch den Einsatz von KI-Technologie in mobilen Inspektionsszenarien hat das Unternehmen ein intelligentes Inspektionsfahrzeug für die Stadtverwaltung entwickelt. Dieses nutzt Technologien wie das Internet der Dinge, Cloud Computing und KI-Algorithmen und ist mit professioneller Ausrüstung wie hochauflösenden Kameras, On-Board-Displays und KI-Servern ausgestattet. Der Inspektionsmechanismus kombiniert intelligente Systeme, intelligente Maschinen und Unterstützung durch Personal. Dadurch wird die Stadtverwaltung von personalintensiv zu maschinenintelligent, von empirischer Beurteilung zu Datenanalyse und von passiver Reaktion zu proaktiver Erkenntnis transformiert.
Im Bereich der intelligenten Baustelle
Intelligente Baustellenlösungen auf Edge-Computing-Basis integrieren KI-Technologie tiefgreifend in die traditionelle Sicherheitsüberwachung im Baugewerbe. Durch die Platzierung eines Edge-KI-Analyseterminals auf der Baustelle werden unabhängige visuelle KI-Algorithmen auf Basis intelligenter Videoanalysetechnologie entwickelt. Die permanente Erkennung von Ereignissen (z. B. die Helmpflicht) ermöglicht die Identifizierung von Personen-, Umwelt- und Sicherheitsrisiken sowie die Alarmierung von Betroffenen. Zudem werden Gefahrenquellen proaktiv erkannt, KI-gestützte Sicherheitsmaßnahmen implementiert und Personalkosten eingespart, um den Anforderungen an das Personen- und Sachsicherheitsmanagement auf Baustellen gerecht zu werden.
Im Bereich des intelligenten Transports
Die Cloud-seitige Endbenutzer-Architektur hat sich zum grundlegenden Paradigma für den Einsatz von Anwendungen in der intelligenten Transportbranche entwickelt. Dabei ist die Cloud-Seite für die zentrale Verwaltung und einen Teil der Datenverarbeitung zuständig, die Edge-Seite hauptsächlich für die Datenanalyse und die Berechnung von Entscheidungen, und die Endbenutzerseite hauptsächlich für die Erfassung von Geschäftsdaten.
In spezifischen Szenarien wie der Fahrzeug-Straßen-Koordination, holografischen Kreuzungen, dem autonomen Fahren und dem Schienenverkehr werden zahlreiche heterogene Geräte angesprochen, die Zugriffs- und Ausgangsmanagement, Alarmverarbeitung sowie Betriebs- und Wartungsprozesse erfordern. Edge Computing ermöglicht die Aufteilung heterogener Daten in kleinere, voneinander unabhängige Systeme, bietet protokollübergreifende Konvertierungsfunktionen, gewährleistet einen einheitlichen und stabilen Zugriff und sogar die kollaborative Steuerung dieser Daten.
Im Bereich der industriellen Fertigung
Szenario zur Optimierung von Produktionsprozessen: Viele diskrete Fertigungssysteme sind derzeit durch unvollständige Daten eingeschränkt. Die Berechnung der Gesamtanlageneffektivität und anderer Kennzahlen ist relativ ungenau, was die Effizienzoptimierung erschwert. Eine Edge-Computing-Plattform, basierend auf einem Anlageninformationsmodell, ermöglicht die semantische horizontale und vertikale Kommunikation im Fertigungssystem. Mithilfe eines Echtzeit-Datenflussverarbeitungsmechanismus werden große Mengen an Felddaten in Echtzeit aggregiert und analysiert. Dies ermöglicht die modellbasierte Fusion von Daten aus verschiedenen Produktionslinienquellen und bietet so eine leistungsstarke Datengrundlage für die Entscheidungsfindung im diskreten Fertigungssystem.
Szenario für die vorausschauende Instandhaltung von Anlagen: Die Instandhaltung industrieller Anlagen lässt sich in drei Arten unterteilen: reaktive, präventive und vorausschauende Instandhaltung. Reaktive Instandhaltung zählt zur Instandhaltung nachträglicher Maßnahmen (ex post facto), während präventive und vorausschauende Instandhaltung zur Instandhaltung im Voraus (ex ante) gehören. Erstere basiert auf Zeit, Anlagenleistung, Standortbedingungen und anderen Faktoren für die regelmäßige Wartung von Anlagen und stützt sich im Wesentlichen auf Erfahrungswerte. Letztere nutzt die Erfassung von Sensordaten, die Echtzeitüberwachung des Betriebszustands der Anlage, die Datenanalyse anhand eines Industriemodells und die präzise Vorhersage von Ausfällen.
Szenario der industriellen Qualitätsprüfung: Die industrielle Bildverarbeitung ist der erste Bereich, in dem die traditionelle automatische optische Inspektion (AOI) Einzug in die Qualitätsprüfung hält. Die bisherige Entwicklung der AOI stößt jedoch in vielen komplexen Szenarien der Fehlererkennung an ihre Grenzen. Gründe hierfür sind die Vielfalt der Fehlertypen, die unvollständige Merkmalsextraktion, die geringe Erweiterbarkeit adaptiver Algorithmen, die häufigen Aktualisierungen der Produktionslinie und die mangelnde Flexibilität bei der Algorithmenmigration. Daher kann das traditionelle AOI-System den Anforderungen der sich entwickelnden Produktionslinie nur schwer gerecht werden. Aus diesem Grund ersetzt die KI-gestützte Plattform für industrielle Qualitätsprüfungsalgorithmen, die auf Deep Learning und Lernen mit kleinen Stichproben basiert, zunehmend die traditionelle visuelle Inspektion. Diese Plattform hat zwei Entwicklungsstufen durchlaufen: klassische maschinelle Lernalgorithmen und Deep-Learning-Inspektionsalgorithmen.
Veröffentlichungsdatum: 08.10.2023