Edge AI

Edge AI bezeichnet die Bereitstellung und Ausführung von Modellen künstlicher Intelligenz auf Edge-Geräten, also auf Computerhardware, die sich in der Nähe der Datenquelle befindet, statt in zentralisierten Cloud-Rechenzentren. Durch die lokale Verarbeitung von Daten auf Geräten wie Drohnen, Mobiltelefonen, eingebetteten Sensoren oder satellitengebundenen Prozessoren liefert Edge AI unmittelbare Ergebnisse, ohne Netzwerkverbindung zu benötigen oder die Latenz von Cloud-Umwegen in Kauf zu nehmen. Dieses Paradigma ist entscheidend für geospatiale Anwendungen, die Echtzeitentscheidungen in Umgebungen mit eingeschränkter Konnektivität oder begrenzter Bandbreite erfordern.

Drohnengestützte geospatiale Erhebungen nutzen Edge AI, um in Echtzeit Objekterkennung, Geländeanalyse und Flugpfadoptimierung durchzuführen, ohne auf die Verbindung zu einer Bodenstation angewiesen zu sein. Die satellitengebundene Verarbeitung mit Edge AI ermöglicht die sofortige Erkennung von Ereignissen wie Waldbränden oder Schiffen, wobei nur relevante Warnmeldungen statt ganzer Bildstreifen an Bodenstationen übermittelt werden. Feldbereitgestellte Sensoren mit Edge AI klassifizieren Umweltbeobachtungen in Echtzeit für Wildtierüberwachung, Wasserqualitätsbewertung und Luftverschmutzungsverfolgung. Autonome Fahrzeuge nutzen Edge AI für die räumliche Echtzeitwahrnehmung und kombinieren GPSGPSThe Global Positioning System (GPS) is a satellite-based navigation system operated by the U.S. Space Force that prov...-, LiDARLiDARLight Detection and Ranging (LiDAR) is a remote sensing technology that measures distances using laser pulses to crea...- und Kameradaten, um Navigationsentscheidungen innerhalb von Millisekunden zu treffen.

Edge-Geräte verfügen im Vergleich zur Cloud-Infrastruktur über begrenzte Rechenleistung, begrenzten Speicher und begrenzte Energie, sodass KI-Modelle für Effizienz optimiert werden müssen. Modellkompressionstechniken wie Pruning, Quantisierung und Knowledge Distillation reduzieren Modellgröße und Inferenzzeit bei gleichzeitigem Erhalt der Genauigkeit. Schlanke Architekturen wie MobileNet und EfficientNet sind speziell für den Einsatz auf Edge-Geräten konzipiert. Hardwarebeschleuniger wie NVIDIA Jetson, Google Coral und spezialisierte FPGA-Designs bieten GPU-ähnliche Fähigkeiten in kompakten, energieeffizienten Bauformen, die sich für den Feldeinsatz in geospatialen Anwendungen eignen.