Wie KI das IoT umgestaltet
Der Einfluss künstlicher Intelligenz auf das Internet of Things
Die Integration von KI in das IoT wird dessen Leistungsfähigkeit und Flexibilität enorm steigern – doch zunächst sind noch erhebliche technische Herausforderungen zu bewältigen. Welche sind das?
Bereits 1956 entwickelten Allen Newell, Cliff Shaw und Herbert Simon ein Computerprogramm namens »The Logic Theorist«. Das von der RAND Corporation finanzierte Programm sollte die Problemlösungsfähigkeiten eines Menschen nachahmen und wird als erstes Beispiel für künstliche Intelligenz (KI) angesehen.
Heutzutage sind Large Language Models (LLMs) das Aushängeschild der KI. LLMs sind Rechenalgorithmen, die durch das Lernen statistischer Beziehungen aus Textdokumenten während eines intensiven Trainingsprozesses eine universelle Sprachgenerierung und andere Aufgaben der natürlichen Sprachverarbeitung erreichen. ChatGPT von OpenAI ist das bekannteste Beispiel.
So nützlich LLMs auch sind – sie haben nicht das Potenzial, das Internet of Things (IoT) voranzutreiben. Spannend wird es, wenn riesige von automatisierten Systemen gesammelte Datenmengen zum Trainieren von Algorithmen für Machine Learning (ML) verwendet werden. Diese Daten werden dann später eingesetzt, um IoT-Geräte bessere und intelligentere Entscheidungen treffen zu lassen. ML verbessert mit der Zeit die Fähigkeiten und die Intelligenz von Maschinen, wenn sie mehr Daten verarbeiten.
Das IoT lässt sich als ein globales, vernetztes Netzwerk beschreiben, das eine praktisch unbegrenzte Menge von Daten sammeln kann. Diese Daten lassen sich an Rechner in der Cloud weiterleiten und zur Versorgung von ML-Algorithmen verwenden, die die Intelligenz der Milliarden vernetzter Geräte verbessern, aus denen das Netzwerk besteht. Selbst das bescheidenste IoT-Gerät kann kontinuierlich intelligenter werden und bietet ein enormes Potenzial für die Zukunft von Industrie, Handel, Bildung, Medizin und mehr.
Nehmen wir als Beispiel den unscheinbaren Kühlschrank. Es gibt Milliarden davon auf der ganzen Welt, die für 12 Prozent des weltweiten Stromverbrauchs verantwortlich sind. Durch die ständige Versorgung von ML-Modellen mit externen und internen Temperaturdaten, der Menge der im Kühlschrank gelagerten Lebensmittel, der Häufigkeit des Türöffnens und weiteren Daten wie zum Beispiel, wann das Stromnetz weniger belastet ist, kann sich eine intelligente Kühlschrank-Kompressorsteuerung schnell an Nutzungsmuster anpassen und den Energieverbrauch und die CO2-Emissionen erheblich beeinflussen. Es klingt vielversprechend, aber die Herausforderung besteht darin, die Hardware und Software so zusammenzuführen, dass alles reibungslos funktioniert.
Näher an der Edge
Als Kevin Ashton 1999 den Begriff IoT prägte, sah er Milliarden billiger und kompakter Sensoren, die ihre Daten an leistungsstarke zentralisierte Rechenressourcen weiterleiten, wo die umfangreichen Berechnungen durchgeführt würden. Aber das kontinuierliche Senden von Daten von vielen Geräten über ein Netzwerk ist kompliziert, energieintensiv und teuer.
Heutzutage minimieren wir den Netzwerkverkehr, indem wir einen Großteil der Intelligenz des IoT an die Edge des Netzwerks verlagern (Edge Computing). Dies ist möglich, weil moderne IoT-Geräte zwar im Vergleich zu Cloud-Rechnern immer noch über bescheidene Ressourcen verfügen, aber zu leistungsstarken Produkten gereift sind, die auf SoCs (System on Chip) und SiPs (System in Package) mit dedizierten Anwendungsprozessoren, reichlich Speicherressourcen und innovativer Software beruhen. Dadurch kann das IoT weit verbreitete verteilte Rechenressourcen unterstützen, wobei einzelne Geräte in der Lage sind, eine erhebliche Edge-Verarbeitung durchzuführen.
Auf der grundlegendsten Ebene ermöglicht Edge-Verarbeitung IoT-Geräten, Daten lokal zu sichten, um zu entscheiden, welche banal sind und welche darauf hinweisen, dass sich etwas ändert, und zur weiteren Analyse weitergeleitet werden sollten. Durch Hinzufügen von ML gehen Edge-Geräte über die reine Überprüfung von Daten hinaus, um festzustellen, ob sie voreingestellte Schwellenwerte überschritten haben, und schließen daraus, was die Änderung bedeutet – und ergreifen dann Maßnahmen.
Edge-KI bietet weitere Vorteile für IoT-Produkte. Eingaben lassen sich lokal in Echtzeit verarbeiten, sodass keine Bandbreite für das Senden von Rohdaten über eine Funkverbindung benötigt und keine Zeit mit dem Warten auf eine Antwort aus der Cloud verschwendet wird. Zudem verbraucht die lokale Verarbeitung weniger Strom als das Senden von Daten über Funk, sodass sich ein IoT-Gerät länger betreiben lässt oder kleinere Batterien verwendet werden können.
Ein Anwendungsbeispiel ist ein Temperatursensor, der ein Maschinenlager überwacht. Der Sensor könnte ein ML-Modell verwenden, um daraus zu schließen, dass ein allmählicher Temperaturanstieg im Lager einfach auf die Erwärmung der Maschine zurückzuführen ist und kein Grund zur Sorge besteht. Ein schnellerer Anstieg der Lagertemperatur könnte jedoch auf einen Schmierungsausfall hinweisen und den Sensor dazu veranlassen, die Maschine abzuschalten, bevor Schäden entstehen.
- Der Einfluss künstlicher Intelligenz auf das Internet of Things
- Die technischen Herausforderungen
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
