Elektroniknet Logo

Innodisk

Speichersysteme für KI und Edge

Innodisk
© Innodisk

Speicher sind Schlüsselkomponenten im künftigen KIoT. Innodisk optimiert die DRAM- und SSD-Technologien auf den Einsatz rund um KI, IoT und Edge-Computing.

Künstliche Intelligenz (KI) und das Internet der Dinge (IoT) verschmelzen zu dem, was heute als KIoT bezeichnet wird. Edge Computing verlagert die Rechenleistung dorthin, wo die Daten entstehen und IoT-Geräte sie sammeln. KI senkt die Latenzzeit, sorgt für eine effiziente Datenverarbeitung. Die Bedingungen sind sehr unterschiedlich, und der Bedarf an optimierten Speichersystemen für KI-Edge-Anwendungen steigt mit der Zunahme des Datenvolumens. Die Anzahl der Geräte im Edge Computing wächst weiter und wird bis 2025 voraussichtlich um 226 Prozent gegenüber heute zugenommen haben.

Wenn alle gesammelten Daten in die Cloud übertragen werden sollen, führt dies zu langen Latenzzeiten. Auch wenn die Verbindungsgeschwindigkeiten stetig steigen, zum Beispiel mit der neuen 5G-Technologie, können die exponentiell wachsenden Datenmengen nicht verarbeitet werden. Die Latenzzeit steigt und die Gesamtleistung des Systems leidet. Der Einsatz von KI wirkt dem entgegen und führt zu neuen technologischen Innovationen wie der Optimierung des Straßenverkehrs in Städten, verbesserten Finanzdienstleistungen und erhöhter öffentlicher Sicherheit.

Der Einsatz von KIoT-Komponenten findet unter sehr unterschiedlichen Bedingungen statt und kann überall sein, in Fahrzeugen, an Bord von Flugzeugen oder in Fabriken und Ölförderanlagen in der Wüste. Dies erfordert, dass die Komponentenfertigung flexibel und anpassungsfähig ist. KI reduziert den menschlichen Faktor in einem Entscheidungsprozess. Systemintegratoren müssen daher qualitativ hochwertige Komponenten garantieren, denn im Falle eines Unfalls wird der menschliche Faktor ausgeschaltet, und dann kann es nicht unbedingt eine klare Schuldzuweisung geben.

KIoT reduziert den Datenverkehr mit der Cloud

Das IoT in seiner reinen Form sammelt nur Daten mit wenig oder gar keiner Berechnung und Analyse. Alle Daten werden ohne vorherige Analyse an die Cloud gesendet, wodurch die Datenmenge dort immens ansteigt. Aber nicht alle Daten sind gleich wichtig. Bei Sicherheitsaufnahmen ist es zum Beispiel nicht sinnvoll, alle Daten in die Cloud zu schicken, wenn es sich um Standbilder mit unverändertem Hintergrund handelt. Nur die Daten, bei denen sich Personen oder Objekte bewegen, sind interessant. In diesem Fall würde das Senden aller Daten zur Analyse in die Cloud große Mengen an Bandbreite verschwenden, die für andere Anwendungen genutzt werden könnten.

KI am Rande des Netzes kann potenziell eine hohe Rechenleistung erfordern, um eine angemessene Leistung zu gewährleisten. Standard-Speicherkomponenten können zwar die erforderliche Leistung erbringen, sind aber nicht für die rauen Bedingungen an diesem Standort ausgelegt. So ist beispielsweise ein Verkehrsüberwachungssystem auf der Straße Temperaturschwankungen zwischen Tag und Nacht sowie zwischen Sommer und Winter ausgesetzt, Systeme in Fahrzeugen müssen Stößen und Vibrationen standhalten, Industrieumgebungen weisen erhöhte Schadstoffwerte auf usw.

Eine KIoT-Anwendung am Rande des Systems ist in der Regel ein kleiner IPC mit einer eingebauten industrietauglichen CPU. Für die Datenanalyse in Echtzeit benötigt diese CPU eine angemessene Unterstützung in Form von Flash-Speicher und DRAM. Industrietaugliche Speicherkomponenten sind für die Implementierung von KI in the Edge unerlässlich. Der erste Schritt besteht darin, die Risiken an jedem Datenerfassungspunkt zu identifizieren. Die Komponenten können dann an die spezifischen Anforderungen der Anwendung angepasst werden.

Den Verkehrsfluss in Städten steuern

Die Städte wachsen, und infolgedessen nimmt der Verkehr in den Städten zu, was zu mehr Staus führt. Die Überwachung und Lenkung des Verkehrs auf der Grundlage von Echtzeitdaten verbessert die Verkehrssicherheit und den Verkehrsfluss erheblich. Dies geschieht durch Überwachungsgeräte, die strategisch in der Stadt platziert sind. Die erste Stufe der Analyse wird von lokalen KI-Plattformen in den Außenbezirken der Stadt durchgeführt. Dazu gehören die Erkennung von Fahrzeugen und die Bewertung des Verkehrsflusses. So kann jede Plattform selbst entscheiden, wie sie die Daten auf der Grundlage der Analyse verarbeitet, z. B. ob die Zahl der Fahrzeuge zunimmt und die Gefahr eines Staus besteht. Alle wichtigen Daten können dann an die Cloud gesendet werden, wo auf der Grundlage der Daten Maßnahmen wie die Umleitung des Verkehrs, die Änderung von Geschwindigkeitsbegrenzungen und die Anpassung von Ampeln getroffen werden können.

Optimierung von Fahrzeugflotten

Aber auch das Flottenmanagement kann durch KI erheblich optimiert werden. Die Überwachung einer großen Fahrzeugflotte kann schwierig sein, aber es gibt viele Möglichkeiten, den Betrieb zu optimieren. Dazu gehören die Senkung der Kraftstoffkosten, die Fahrzeugwartung und die allgemeine Überwachung des Fahrverhaltens. Aktuelle Ortungssysteme arbeiten meist auf der Basis von GPS, das nicht überall verfügbar ist. Daher kann ein solches System in einem Tunnel keine Daten liefern. Auch innerhalb von Gebäuden oder anderen Gebieten mit schlechter Satellitenabdeckung und zur Bestimmung der Höhenmeter, in denen sich das Fahrzeug bewegt, ist ein GPS-System unbrauchbar. Es gibt jedoch andere Datenquellen, die Aufschluss über die Position des Fahrzeugs geben können: Zum Beispiel können die Fahrzeuggeschwindigkeit und die Drehzahl der Reifen ständig überwacht und aufgezeichnet werden. Eine fahrzeuginterne KI-Plattform kann dann die Position des Fahrzeugs zu einem bestimmten Zeitpunkt berechnen, indem sie diese Parameter verwendet, um unvollständige GPS-Daten auszugleichen. Diese Technologie wird als Automotive Dead Reckoning oder DR bezeichnet. Schließlich können die Daten über drahtlose Netze an das Fahrzeug zurückgesendet werden.

Autonomes Fahren

Beim autonomen Fahren muss man davon ausgehen, dass der Fahrer nicht mehr in das Geschehen auf der Straße eingreift. Gleichzeitig ändert sich die Verkehrssituation ständig, und es treten viele unerwartete Faktoren auf. Deshalb muss ein autonomes Fahrzeug in der Lage sein, bei plötzlichen Veränderungen Entscheidungen in Sekundenbruchteilen zu treffen. Während sich der Mensch auf seine Sinne verlässt, sammelt der Roboter über eine Vielzahl von Sensoren alle möglichen Daten, um sie zu einem kohärenten Bild der Gesamtsituation zu einem bestimmten Zeitpunkt zu verarbeiten. In diesem Prozess sind die Daten aus der Cloud nicht relevant, da sie aufgrund von Latenzzeiten zu spät verfügbar sind, wenn eine Entscheidung getroffen werden muss. Die fahrzeuginterne KI-Plattform, die diese komplexen Berechnungen durchführt, ist auf Komponenten angewiesen, die unter allen Wetterbedingungen und physikalischen Gegebenheiten ohne Leistungseinbußen arbeiten können. Um Unfälle mit autonomen Fahrzeugen zu vermeiden, müssen die Geräte mit minimaler Fehlerwahrscheinlichkeit und mit ausreichender Unterstützung arbeiten.
KI wird sich in vielen Bereichen unseres Lebens ausbreiten. Sie wird auch in vielen Szenarien menschliche Bediener ersetzen, was den Bedarf an robusten Systemen, die mit allen relevanten Umweltanforderungen umgehen können, weiter erhöht.

Die Ausstattung von KI-Plattformen mit industrietauglichen Speichersystemen stellt sicher, dass die Hardware der Aufgabe gewachsen ist. Diese Speicher sind eine der Schlüsselkomponenten beim Aufbau des IoT der Zukunft. Als führender Anbieter von industriellen Embedded Flash- und Speicherlösungen konzentriert sich Innodisk auf Systeme in den Bereichen KI, IoT und Edge Computing. Bei der Entwicklung der verschiedenen DRAM- und SSD-Technologien haben Ausfallsicherheit und Systemwiederherstellung eine hohe Priorität, weil die Anzahl der Systemausfälle gegen Null gehen muss, insbesondere beim Edge Computing.

 

Relevante Anbieter


Das könnte Sie auch interessieren

Verwandte Artikel

Innodisk