Edge-Lösungen zur Entscheidungsfindung in Echtzeit

Edge-Geräte sind Netzwerkknoten, die den Rechenvorgang in der Nähe oder direkt am physischen Standort von Nutzenden oder Datenquellen durchführen. Es gibt sie in fast jeder Branche, vom POS-System (Point of Sale) im Lebensmittelgeschäft bis zum Roboterarm, der Autos baut.

Unternehmen stehen am Edge jedoch vor einer großen Herausforderung: Sie verfolgen oft große Datenmengen und müssen diese zur Verarbeitung an eine zentrale Cloud senden, bevor sie an das Gerät zurückgegeben werden. Dies erhöht den Zeitaufwand und die Komplexität des Prozesses, verlangsamt Abläufe und resultiert in älteren, weniger relevanten Daten.

Immer mehr Unternehmen:

• möchten neue Use Cases implementieren, die latenzempfindliche Anwendungen erfordern
• müssen große Datenmengen verarbeiten, die sich nur langsam in eine Public Cloud übertragen lassen
• müssen schnelle Entscheidungen treffen können, um auf sich ändernde Wettbewerbsbedingungen und Kundenerwartungen zu reagieren

Angesichts dieser neuen Herausforderungen benötigen Unternehmen Lösungen für die Nutzung von Echtzeit-Datenanalysen und künstlicher Intelligenz (KI), um am Edge schneller intelligente Entscheidungen treffen zu können.

Sehen wir uns einige branchenspezifische Beispiele an, bei denen Echtzeit-Datenverarbeitung und intelligente Entscheidungsfindung den entscheidenden Unterschied bedeuten können.

Produktion 
In Fertigungsumgebungen kann die Integration von KI in visuelle Prüfsysteme die Qualitätskontrolle und die Mitarbeitersicherheit verbessern. KI-Modelle können Sicherheitsrisiken oder Defekte an Produkten in einer Fertigungsstraße in Echtzeit erkennen. So werden Kontrollen genauer, und Probleme werden früher im Fertigungsprozess aufgedeckt. Allerdings müssen die Daten vom KI-Modell verarbeitet und dann vom Gerät sehr schnell genutzt werden.

Die Verwendung von Geräten zur Identifizierung und zum Verständnis realer Objekte auf diese Weise wird als maschinelles Sehen bezeichnet. Unternehmen, die maschinelles Sehen einsetzen, benötigen eine Edge-Lösung, die auf mehreren Geräten mit unterschiedlicher Rechenleistung funktioniert und als einheitliche Plattform dient.

Warum Open Source die Zukunft der Produktion prägen wird

Einzelhandel 
Im Einzelhandel können Edge Computing und KI das Kundenerlebnis und die operative Effizienz verbessern. So können KI-gestützte Systeme beispielsweise Lagerbestände verwalten, indem sie diese automatisch überwachen und bei Bedarf Nachbestellungen veranlassen. Edge-Geräte können außerdem Kundendaten lokal verarbeiten, um ein personalisiertes Einkaufserlebnis und Werbeaktionen direkt und in Echtzeit am Point of Sale anzubieten.

Um solche Systeme zu implementieren, muss ein Unternehmen die Daten von Edge-Geräten über eine einheitliche Edge-Lösung verwalten, die Zugang zu KI-Hardwarebeschleunigung hat. Vor allem aber müssen die Systeme integriert werden, um die Übermittlung ungenauer Daten zu vermeiden, beispielsweise Angebote zu nicht vorrätigen Beständen.

Gesundheitswesen 
Edge Computing transformiert die Gesundheitsversorgung durch die Echtzeitanalyse medizinischer Diagnosen am Behandlungsort. So können beispielsweise mit KI-Funktionen ausgestattete Edge-Geräte bei der Auswertung von Ultraschallbildern vor Ort helfen. Sind keine geschulten Fachleute verfügbar, kann diese Fähigkeit medizinische Entscheidungen beschleunigen und möglicherweise Leben retten. Eine Anwendung im Gesundheitswesen wie diese erfordert eine Edge-Lösung, die private Daten sichert, Sicherheitsstandards durchsetzt und die Softwarelieferkette schützt.

Diese Use Cases haben zwar das Potenzial, Unternehmen zu verändern und sogar Leben zu retten, doch bei ihrer Implementierung stoßen Unternehmen auf Hindernisse. Nachfolgend werden spezifische Herausforderungen und Wege zu deren Bewältigung beschrieben.

Lokale Verarbeitung großer Datenmengen
Die meisten Edge-Geräte und Sensoren generieren große Mengen an Daten. Herkömmliche Datenverarbeitungsmethoden, bei denen die Daten an ein zentrales Rechenzentrum zurückgeschickt werden, sind aufgrund von Latenzzeiten und Bandbreitenbeschränkungen oft nicht sinnvoll. Durch die Verarbeitung und Analyse von Daten am Edge entfällt die Notwendigkeit zur Übertragung großer Datenmengen. So werden Latenzzeiten gesenkt und die Effizienz erhöht.

Verarbeitung komplexerer Aufgaben
Intelligente Entscheidungen am Edge erfordern oft, dass Anwendungen Daten auf der Edge-Hardware selbst verarbeiten. Diese Geräte benötigen daher zusätzliche Rechenleistung oder müssen die vorhandene Rechenleistung effizienter nutzen.

Bei der Einbettung von KI in Edge-Geräte benötigen Sie außerdem eine Anwendungsplattform, die mit diesen Geräten skalierbar ist.

Datenschutz und Sicherheit
Mehr Datenverarbeitung am Edge führt zu neuen Schwachstellen in der Lieferkette. So entsteht beispielsweise durch die Speicherung sensibler Gesundheitsdaten auf einem Edge-Gerät eine anfällige Angriffsfläche. Zum Schutz sensibler Daten benötigen Sie eine Plattform, die Sie bei der Operationalisierung von Sicherheitsprotokollen als Teil Ihres DevOps- und KI-Prozesses unterstützt.

Wir wissen, dass jedes Unternehmen individuelle Edge-Anforderungen hat, die nicht mit einer einzigen Lösung erfüllt werden können. Eine einheitliche Plattform, die ein breites Spektrum an Features, Funktionen und Partnerintegrationen bietet, kann Ihre Open Hybrid Cloud-Umgebung über Edge-, Core- und Cloud-Standorte hinweg erweitern, sodass Sie beliebige Workloads ortsunabhängig entwickeln und ausführen können.

Die Einbindung von KI in diesen integrierten Ansatz ermöglicht Flexibilität in der Hybrid Cloud. Außerdem können Sie Ihre Kundendaten zu vortrainierten oder kuratierten Basismodellen hinzufügen, was Ihrem Unternehmen den Einsatz einer Vielzahl von Hardware- und Softwarebeschleunigern ermöglicht. Mit dem Ansatz von Red Hat für KI am Edge können Sie:

Mehr Flexibilität und Konsistenz mit einer Anwendungsplattform erreichen

Unsere Lösungen basieren auf Red Hat® OpenShift®, einer Anwendungsplattform, die Kubernetes-Funktionen von Kern- über Cloud- bis hin zu Edge Computing-Umgebungen erweitert. Für edgespezifische Anwendungen sind Optionen von hochverfügbaren Clustern mit mehreren Knoten bis hin zu Einzelknoten-Topologien mit kleinem Formfaktor verfügbar. Diese Optionen unterstützen Ihr Unternehmen bei der schnellen Entscheidungsfindung am Edge, indem sie flexible und skalierbare Optionen für Deployments bieten, die auf Ihre Edge-Umgebungen zugeschnitten sind.

Neben der Flexibilität sorgt Red Hat OpenShift für die dringend benötigte Konsistenz, indem es Entwicklungsteams erlaubt, eine Anwendung einmalig für ein ortsunabhängiges Deployment zu erstellen. Gleichzeitig müssen Operations-Teams nur eine einzige Umgebung verwalten – vom Kern über die Cloud bis zum Edge. Darüber hinaus können Entwicklungsteams Tools und Prozesse nutzen, mit denen sie bereits vertraut sind, und so Konfiguration, Deployment, Provisionierung, Verwaltung und Überwachung auch umfangreicher Container-Umgebungen vereinfachen. Mit Red Hat OpenShift erhalten Sie diese konsistente Erfahrung, wo auch immer Ihre Anwendungen benötigt werden – lokal, in einer Public Cloud, in einer Fabrik oder einem Krankenhaus oder sogar im Orbit.

Für KI entwickeln

Außerdem ist Red Hat OpenShift skalierbar, für KI-Workloads geeignet und bietet Zugriff auf gängige Hardware-Beschleuniger. Und Red Hat OpenShift AI bietet operativ konsistente Funktionen, mit denen Ihre Teams experimentieren und Modelle sowie innovative Anwendungen bereitstellen können. So lassen sich Kundenerlebnisse personalisieren und eine bessere Transparenz und Verwaltung von Assets in der Produktion oder im Außendienst erreichen. Dies ist besonders bei der Ausführung von KI-Workloads wie dem maschinellen Sehen wichtig.

Edge-Designs erstellen

Geräte am äußersten Netzwerkrand sind auf geringen Raum und wenige Ressourcen beschränkt. Die Verwendung einer Plattform für schlanke Konfigurationen ist wichtig, da sie auf Edge-Geräten eingesetzt werden kann, die speziell für bestimmte Aufgaben entwickelt wurden. Dabei können Sie alles mit einem Set von Tools und Prozessen verwalten, mit denen Ihre Teams vertraut sind.Red Hat Device Edge bietet schlanke Deployment-Optionen mit optionaler Container-Orchestrierung. Dies ermöglicht eine lokale Datenverarbeitung und die Ausführung von KI- und ML-Workloads, wodurch Latenzzeiten minimiert und die Entscheidungsfindung in Echtzeit unterstützt werden.

Mit einer zuverlässigen Basis beginnen

Red Hat Enterprise Linux® bietet als zentrales Betriebssystem von Red Hat eine stabile, sicherheitsorientierte Basis für die Ausführung von KI-Workloads in großem Umfang. Es unterstützt latenzempfindliche Anwendungen, sodass KI-Modelle auf einer Vielzahl von Hardware effizient arbeiten können – von Edge-Geräten bis hin zu zentralen Rechenzentren.

Dank dieser Flexibilität können Sie KI- und ML-Anwendungen in Ihrer gesamten Infrastruktur mit konsistenter Performance und Zuverlässigkeit bereitstellen. So können Sie Datenintelligenz effizienter nutzen, um Operationen zu optimieren, das Kundenerlebnis zu verbessern und Ihren Kunden bessere Produkte und Dienstleistungen anzubieten.

Die Vorteile der Automatisierung an den Netzwerkrand bringen

Die Skalierung von Operationen für Verbindungen mit dem Edge kann aufgrund der zahlreichen erforderlichen Schritte und Konfigurationen sehr anspruchsvoll sein.Mit Red Hat Ansible® Automation Platform können Sie zuverlässig die Kapazitäten für lokale und entfernte Automatisierungs-Workloads skalieren. Die integrierten Zustandsprüfungen zur Ermittlung der optimalen Knoten für die Ausführung von Automatisierungsjobs machen Ansible Automation Platform zur Basis Ihrer IT-Infrastruktur.

Die Leistungsfähigkeit globaler Partnerschaften und künstlicher Intelligenz am Edge einsetzen

Red Hat Hardwarepartner wie NVIDIA, Intel und AMD bieten Lösungen an, die hardwareintensive KI-Workloads am Edge verarbeiten und sich in unsere Open Source-Produkte integrieren lassen.