Trends bei Rugged AI und Edge Computing
»In der Industrie sind Komplett-IPCs weiterhin beliebt«
Für Rugged AI und Edge Computing bieten sich nach wie vor fertig konfigurierte Komplett-IPCs an, wobei Anwendungen mit KI oder Sensorfusion oft spezifische modulare Systemarchitekturen erfordern. Generell verlagert sich KI zunehmend an die Edge, was GPU-beschleunigte Systeme notwendig macht.
Über diese und andere Trends informiert Benjamin Nigl, Senior Account Manager bei Bressner Technology.
Welche technischen Trends und Markttrends sehen Sie derzeit bei Rugged AI und Edge Computing?
Benjamin Nigl: Was wir aktuell sehr deutlich sehen, ist die Verlagerung der KI direkt an die Edge. Viele Kunden wollen Daten nicht mehr erst in die Cloud oder in ein zentrales Rechenzentrum schicken. Sie möchten direkt vor Ort auswerten, reagieren und entscheiden. Das hat viel mit Latenz zu tun, aber auch mit Datenschutz, Bandbreite und Verfügbarkeit. Technisch bedeutet dies, dass immer häufiger GPU-beschleunigte Systeme nachgefragt werden, zum Beispiel mit Nvidia Jetson, RTX-GPUs oder anderen AI-Accelerators. Gleichzeitig wird Sensorfusion wichtiger.
Viele Anwendungen arbeiten nicht mehr nur mit einer Kamera, sondern kombinieren Video, Radar, Lidar, RF-Signale oder andere Sensordaten. Ein weiterer Punkt ist Energieeffizienz. Gerade bei mobilen Anwendungen, Fahrzeugen, Drohnen oder temporären Installationen reicht es nicht, einfach maximale Rechenleistung bereitzustellen. Die Systeme müssen kompakt, robust und effizient sein. Deshalb sehen wir auch einen klaren Trend zu modularen und offenen Architekturen, etwa COM-HPC, VPX oder im Defense-Bereich SOSA/OpenVPX.
Benjamin Nigl ist Senior Account Manager bei Bressner Technology
Was die Kundennachfrage anbelangt: Gibt es eher einen Trend zu Komplett-IPCs oder eher zu Systemarchitekturen mit Modulen, die dann anwendungsspezifisch integriert werden?
Das lässt sich nicht pauschal beantworten. Im klassischen Industrial-Umfeld sehen wir weiterhin eine starke Nachfrage nach Komplett-IPCs. Viele Kunden wollen ein System, das fertig konfiguriert ist, sauber getestet wurde und möglichst schnell in die Anlage integriert werden kann. Sobald es aber in Richtung KI, Sensorik, mobile Plattformen oder Defense geht, wird es deutlich individueller. Dann reicht ein Standard-IPC oft nicht mehr aus. Kunden möchten die Plattform an ihre Sensoren, Schnittstellen, KI-Leistung, Stromversorgung oder Platzverhältnisse anpassen. In solchen Fällen sprechen wir eher über modulare Systemarchitekturen, die wir anwendungsspezifisch integrieren. Genau dort sehen wir unsere Stärke: Wir verkaufen nicht nur eine Box, sondern schauen uns an, was die Anwendung wirklich braucht.
Welche Rechnerarchitekturen sind für Rugged AI und Edge Computing geeignet?
Grundsätzlich gibt es nicht die eine richtige Architektur. Für hohe Rechenleistung und breite Software-Kompatibilität sind x86-Systeme weiterhin sehr stark. Sie sind besonders interessant, wenn bestehende Software, Windows- oder Linux-Umgebungen und klassische Industrieintegration eine Rolle spielen. Arm-basierte Systeme, zum Beispiel mit Nvidia Jetson, sind spannend, wenn Energieverbrauch, Größe und Gewicht entscheidend sind. Das sehen wir häufig bei mobilen Systemen, autonomen Plattformen oder kompakten Edge-AI-Anwendungen.
Für KI-Inferenz, Bildverarbeitung und große Sensordatenmengen kommen GPU-basierte Systeme ins Spiel. In anspruchsvollen Szenarien wird es dann oft heterogen, wenn CPU, GPU, FPGA oder TPU zusammenarbeiten. Im Defense-Bereich kommen zusätzlich VPX- und OpenVPX-Architekturen ins Spiel, weil dort Modularität, Robustheit und langfristige Verfügbarkeit besonders wichtig sind.
Welche Aufgaben und Funktionen erfüllt Rugged AI und Edge Computing heutzutage?
Die Aufgaben sind inzwischen sehr vielfältig. Klassisch geht es um Echtzeit-Bild- und -Videoanalyse, Objekterkennung, Tracking, Sensorfusion oder Predictive Maintenance. In der Industrie kann das zum Beispiel eine Qualitätskontrolle an der Produktionslinie sein. In mobilen Anwendungen geht es eher um Navigation, Umfeldwahrnehmung oder Entscheidungsunterstützung. Wichtig ist, dass Edge Computing nicht nur Rechenleistung übernimmt, sondern Vorentscheidungen trifft. Es filtert Daten, erkennt Muster und gibt nur das weiter, was wirklich relevant ist. Das spart Bandbreite und macht Systeme unabhängiger von einer permanenten Verbindung.
Im Defense-Umfeld kommen dann Anwendungen wie ISR, also Intelligence, Surveillance und Reconnaissance, Signalverarbeitung, autonome Systeme oder KI-gestützte Lagebilder hinzu. Da geht es oft darum, sehr viele Sensordaten in sehr kurzer Zeit nutzbar zu machen.
Robuste Nvidia-Jetson-basierte Systeme wie der NRU-161V-AWP werden häufig für mobile oder autonome Edge-Plattformen verwendet.
Wie gelangt die KI in den Rechner? Welche Tools sind dafür notwendig?
Meist wird ein KI-Modell zunächst zentral trainiert, also in der Cloud, im Rechenzentrum oder in einer Entwicklungsumgebung. Danach wird es für die Zielhardware optimiert und in das Edge-System gebracht. Das klingt einfach, ist in der Praxis aber ein wichtiger Integrationsschritt. Je nach Hardware kommen unterschiedliche Tools zum Einsatz. Bei Nvidia-Plattformen sind das zum Beispiel CUDA, TensorRT, JetPack oder entsprechende SDKs. Hinzu kommen MLOps-Plattformen, Container, Treiber, Betriebssysteme und Remote-Management-Lösungen. Für uns ist dabei entscheidend, dass Hardware und Software zusammenpassen. Ein KI-Modell bringt wenig, wenn Schnittstellen, Kühlung, Stromversorgung oder Updatefähigkeit nicht zur Anwendung passen. Deshalb betrachten wir das immer als Gesamtsystem.
Was bedeutet »rugged« für welche Anwendungen – Industrie, Automotive/Transportation, KRITIS?
»Rugged« bedeutet je nach Anwendung etwas anderes. In der Industrie geht es häufig um Staub, Vibration, Hitze, Feuchtigkeit und 24/7-Betrieb. Ein System muss dort oft jahrelang in einer Anlage laufen, ohne dass ständig jemand eingreift.
Im Automotive- und Transportation-Bereich kommen Stöße, Vibrationen, wechselnde Temperaturen, Bordspannung und mobile Kommunikation hinzu. Da muss ein Rechner auch dann stabil laufen, wenn das Fahrzeug in Bewegung ist oder die Umgebung stark schwankt. Bei KRITIS stehen Ausfallsicherheit, Redundanz, Cybersecurity und langfristige Wartbarkeit stärker im Vordergrund. Und im Defense-Bereich reden wir zusätzlich über MIL-Standards, EMI-/EMC-Schutz und Einsatzfähigkeit unter extremen Umweltbedingungen. Rugged heißt also nicht nur »stabiles Gehäuse«, sondern ein System, das für seine konkrete Umgebung ausgelegt und validiert ist.
Bressner Technology präsentierte auf der Hannover Messe 2026 seine Rugged-AI- und Edge-Computing-Lösungen.
Welche Safety- und Security-Anforderungen müssen Rugged AI und Edge Computer erfüllen?
Bei Safety geht es vor allem darum, dass das System kontrolliert und zuverlässig arbeitet. Dazu gehören Fail-safe-Designs, Redundanzkonzepte, Watchdog-Funktionen und je nach Anwendung auch funktionale Sicherheit. Ein wichtiger Punkt ist außerdem der Lifecycle. Viele Kunden wollen nicht alle zwei Jahre eine Plattform neu qualifizieren müssen.
Bei Security sehen wir stark steigende Anforderungen. Secure Boot, TPM 2.0, Hardware-Verschlüsselung, Zugriffskontrolle und Authentifizierung sind heute keine »Nice-to-have«-Themen mehr. Gerade wenn Edge-Systeme vernetzt sind oder sensible Daten verarbeiten, muss Security von Anfang an mitgedacht werden.
Dazu zählt auch Monitoring. Ein System sollte nicht nur funktionieren, sondern seinen Zustand melden können, also Temperatur, Speicher, Netzwerk, Zugriff, Updates und mögliche Auffälligkeiten.
Welches spezielle Rugged-Portfolio bietet Bressner Technology an, und wie sieht hier die Roadmap des Unternehmens aus?
Wir bieten ein recht breites Portfolio für Rugged AI und Edge Computing an. Dazu gehören Rugged Embedded PCs, Fahrzeug-PCs, Rugged Panel PCs, Nvidia-Jetson-basierte Plattformen, GPU-Server für KI-Inferenz, Industrial Edge Server und High-Performance-GPU-Systeme.
Wichtig ist aber weniger die einzelne Produktkategorie, sondern die Kombination daraus. Viele Projekte bestehen aus Rechner, Speicher, Netzwerk, Display, Sensoranbindung, Softwareinstallation und Validierung. Genau hier kommen unsere Erfahrungen als Systemintegrator sowie unsere Built-to-Order-Möglichkeiten ins Spiel.
Unsere Roadmap geht klar in Richtung mehr Edge-AI-Leistung, neue Nvidia-Generationen, High-Speed-Networking, modulare Defense-Architekturen und offene Standards wie SOSA/OpenVPX. Gleichzeitig bleibt Energieeffizienz ein zentrales Thema, weil viele Anwendungen mobil oder platzkritisch sind.