Verschiedenste Branchen nutzen Embedded Vision für Anwendungen wie Automobil, Robotik, Gesundheitswesen und Sicherheit. Entsprechend begann die Diskussion mit dem Thema der vielversprechendsten Anwendungsfälle für eingebettete Bildverarbeitung und der Rolle, die Künstliche Intelligenz (KI) im Edge-Bereich spielt. Die Diskussionsteilnehmer erörterten, wie KI im Edge-Bereich für verschiedene Anwendungen – etwa Fabrikautomatisierung, Sicherheit, Qualitätskontrolle, Roboterautomatisierung und Gesundheitswesen – eingesetzt werden kann.

Diskutiert wurde auch, wie KI am Rande des Netzwerks Echtzeit-Entscheidungen ermöglichen, Latenzzeiten reduzieren und den Datenschutz durch die lokale Verarbeitung von Daten verbessern kann. Welche sind die größten Herausforderungen beim Einsatz von KI im Edge-Bereich, verglichen mit ihrer Nutzung im Rechenzentrum oder in der Cloud? Hier benannten die Diskussionsteilnehmer die begrenzten Rechenressourcen und den begrenzten Stromverbrauch von Edge-Geräten sowie manchmal das Fehlen eines Kommunikationsnetzes oder die mangelnde Bereitschaft der Nutzer, sich aus Sicherheitsgründen auf ein Kommunikationsnetz zu verlassen. Dementsprechend sind Kompromisse zwischen Leistung, Stromverbrauch und Kosten bei eingebetteten Bildverarbeitungssystemen unerlässlich. Die Podiumsteilnehmer betonten die Notwendigkeit eines ausgewogenen Ansatzes zur Optimierung der Kompromisse: Dieser müsse einen systematischen Ansatz für die Softwareentwicklung, die Behandlung jedes einzelnen Projekts sowie die Optimierung von Algorithmen, Hardware und Energieverwaltungstechniken beinhalten.

Ein weiteres wichtiges Thema im Bereich Embedded Vision ist die Gewährleistung der Sicherheit und des Datenschutzes von Daten. Orr Danon, CEO von Hailo, meinte dazu: „Die Möglichkeit der Verarbeitung am Rande des Systems ist sicher, vor allem wenn es um den Datenschutz geht. Bei der Videoverarbeitung will man nicht wirklich alles im Bild wissen, man will nur einige Erkenntnisse daraus gewinnen. Nicht alles an einem zentralen Ort zu sammeln, ist meiner Meinung nach der richtige Weg“. Andere Diskussionsteilnehmer verwiesen auf die Notwendigkeit von Datenverschlüsselung, sicheren Kommunikationsprotokollen und des Wissens, wem die Daten gehören.

Die Autorin: Dr. Ekaterina Sirazitdinova ist Senior Data Scientist bei Nvidia in München.

© Nvidia

Last but not least ging es in der Diskussion auch um die Frage, ob das Training der KI in der Edge oder in der Cloud stattfinde. Der übliche Ansatz bestehe darin, Modelle in der Cloud oder auf leistungsfähigerer Hardware zu trainieren und sie dann auf embedded Devices zur Inferenz einzusetzen – ‚Cloud-to-Edge‘– oder ‚Server-to-Edge‘.