Das geradezu explosionsartige Wachstum des Internet der Dinge (IoT) wurde vor allem durch einen unbändigen Informationsdurst angetrieben – dem Durst nach immer mehr Daten, auf deren Grundlage Entscheidungen und Maßnahme ergriffen werden können. Viele dieser Daten stammen von Sensoren an IoT-Knoten. Solche Daten reichen von einfachen Temperatur- oder Druckmessungen über die räumliche Positionierung bis hin zu komplexen Videoaufnahmen.
Diese enorme Datenfülle bringt allerdings neue Herausforderungen mit sich – unter anderem die Verwaltung der erforderlichen Netzwerkbandbreite, beispielsweise in 5G-Netzwerken, und die Frage, wie diese Daten analysiert und Muster und Trends in einem vertretbaren Zeitrahmen erkannt werden können. KI-basierte Software-Tools können in die Cloud hochgeladenen Daten analysieren und umfassende Einblicke gewähren, sei es in Bezug auf die Feuchtigkeit einzelner Pflanzen und Bewässerungsmuster in der Landwirtschaft oder die Auslastung von industriellen Produktionsmaschinen und den Einsatz von vorbeugenden Wartungsplänen in Fertigungsanlagen.
Cloudbasiertes Computing bietet flexiblen Zugang zu der für viele KI-Prozesse erforderlichen Rechenleistung. Es gibt jedoch auch Fälle, in denen dies nicht unbedingt die beste Lösung ist. Gerade in Anwendungsfällen, die eine sehr geringe Latenzzeit erfordern, kann es sein, dass die für die Kommunikation benötigte Zeit zwischen Edge-Node und Cloud nicht akzeptabel ist. Darüber hinaus gibt es Anwendungen, bei denen es aus datenschutzrechtlichen Gründen nicht angezeigt ist, bestimmte Daten – beispielsweise Gesichtsdaten oder biometrische Daten – zur Verarbeitung in die Cloud zu senden. Aus den genannten Gründen verzeichnet die Nutzung von Edge-Computing ebenfalls einen rasanten Zuwachs.
Die Umverteilung von Rechenressourcen von einer großen Einheit auf mehrere lokale Geräte ist nicht neu, aber die heutigen Herausforderungen sind vollkommen anders als damals. Damit sie die von der KI geforderten komplexen Prozesse durchführen können, ohne große Datenmengen an die Cloud zu übertragen, müssen Edge-Computing-Geräte über umfangreiche Verarbeitungsfunktionen verfügen und gleichzeitig eine hocheffiziente Energienutzung aufweisen.
Da die Nachfrage nach KI-basierter Technologie in zahlreichen Bereichen wie Bilderkennung, Video- und Audioverarbeitung sowie Sensorfusion beständig steigt, entwickeln immer mehr Anbieter neue Lösungen. Diese Lösungen werden dann in Form von einzelnen Hardwarekomponenten, Modulen, Subsystemen sowie Software angeboten. KI ist immer noch eine relativ junge Sparte. Dies bringt mit sich, dass der Erfahrungsstand bei ihrer Implementierung von Unternehmen zu Unternehmen sehr unterschiedlich ist. Das ist eine gute Nachricht für all jene, die sich in KI-Techniken ausbilden lassen, denn sie werden viele spannende Karrieremöglichkeiten im Elektroniksektor vorfinden. Neben dem immanenten Bedarf an Technikern für eingebettete Hardware und Software werden auch zunehmend mehr Datenwissenschaftler und Personen mit unterschiedlichsten Softwarekenntnissen benötigt.
Arrow Electronics hat den Trend zu komplexeren Designs mit einem großen Softwareanteil längst erkannt und vor kurzem bereits ein eigenes Software-Kompetenzzentrum in Europa eröffnet, das sich dieser Thematik annimmt. Durch die Bereitstellung dieser Ressourcen eröffnen Unternehmen wie Arrow, die im gesamten Leistungsspektrum von elektronischen Komponenten bis hin zu Enterprise Computing und Cloud-Services tätig sind, den Entwicklern und Herstellern unkomplizierten Zugang zu den Produkten, Dienstleistungen und Kompetenzen, die sie für die Integration KI-basierter Funktionen in ihre Systeme so dringend benötigen.
.jpg "Benchmark evaluiert Large Language Models automatisch")
