Edge AI
KI-Glossar
Edge AI bezeichnet den Betrieb von KI-Modellen direkt auf Endgeräten oder in der Nähe der Datenquelle — ohne Übertragung in eine Cloud, mit geringer Latenz und höherem Datenschutz.
Kurzdefinition
Edge AI (deutsch: Rand-KI oder dezentrale KI) ist ein Ansatz, bei dem KI-Inferenz nicht auf zentralen Cloud-Servern stattfindet, sondern auf Endgeräten wie Smartphones, Industrierobotern, Kameras oder IoT-Sensoren. Typisch sind optimierte, komprimierte Modelle, die mit begrenzter Rechenleistung auskommen.
Einfach erklärt
Nicht jede KI-Anwendung kann oder soll auf Cloud-Servern laufen. Industriekameras, die in Echtzeit Defekte erkennen, brauchen eine Antwort in Millisekunden — die Übertragung in die Cloud wäre zu langsam. Medizinische Geräte dürfen Patientendaten nicht nach außen senden. Edge AI löst beides: Das Modell läuft direkt auf dem Gerät.
Im Berufsalltag begegnet Edge AI vor allem in der Industrie, im Gesundheitswesen und bei der Verarbeitung sensibler Daten: Qualitätskontrolle in der Produktion, biometrische Sicherheitssysteme, Spracherkennung auf Mobilgeräten ohne Internetverbindung.
Beispiel aus dem Arbeitsalltag
Ein Automobilhersteller setzt Qualitätskontroll-Kameras am Fließband ein. Diese erkennen Lackmängel in Echtzeit und stoppen das Band automatisch. Da Verzögerungen von mehr als einer Sekunde zu teuren Fehlern führen würden, läuft das Bildverarbeitungsmodell direkt auf der Kamera-Hardware — ohne Cloud-Anbindung, mit Reaktionszeiten unter 50 Millisekunden.
Warum ist der Begriff wichtig?
Edge AI ist für Industrie 4.0 und das Internet of Things eine Schlüsseltechnologie. Wer KI in physische Prozesse integriert, stößt früh auf die Grenzen cloudbasierter Ansätze.
Für Datenschutz und Compliance bietet Edge AI einen strukturellen Vorteil: Daten werden am Ursprungsort verarbeitet und verlassen das Gerät gar nicht. Das vereinfacht die Rechtslage erheblich.
Chancen
- Echtzeit-Verarbeitung ohne Latenz durch Cloud-Übertragung
- Datenschutz durch lokale Verarbeitung ohne externe Übertragung
- Funktioniert ohne Internetverbindung
- Skalierbar durch Verteilung auf viele Geräte
Risiken und typische Fehler
- Modelle müssen für begrenzte Hardware-Ressourcen optimiert werden
- Updates und Sicherheitspatches auf verteilten Geräten aufwändig
- Geringere Modellqualität als leistungsstarke Cloud-Modelle
- Hardwarekosten für spezialisierte KI-Chips können hoch sein
Verwandte Begriffe
Passende Inhalte im KI College
Lernen Sie Schritt für Schritt, wie Sie KI im Arbeitsalltag sinnvoll nutzen.
Use CasesKI im Arbeitsalltag anwenden
Entdecken Sie praktische Beispiele für typische Aufgaben im Beruf.
ToolsKI-Tools im Überblick
Finden Sie heraus, welche Tools zu welchen Aufgaben passen.