Person mit Schutzhelm steht vor Industrieroboterarmen an einem Förderband, darüber digitale Netzwerksymbole und die Buchstaben AI
Cloud & Hosting

Edge AI: Künstliche Intelligenz am Rand Ihres Netzwerks

Künstliche Intelligenz (KI) übernimmt immer mehr Aufgaben für uns: Von der Spracherkennung in Echtzeit über die Steuerung von Industrierobotern bis hin zum Navigieren autonomer Transportmittel. Doch wie bringt man die dafür benötigte Rechenleistung dorthin, wo sie gebraucht wird? Edge Artificial Intelligence (abgekürzt: Edge AI) könnte die Lösung dafür sein und künstliche Intelligenz mobiler machen.

Künstliche Intelligenz boomt: Im Finanzwesen, im Online-Handel oder bei der Business-Analytik ist sie schon länger eine feste Größe. Für die Industrie 4.0, die Automatisierung des Verkehrs und die Mobilität der Zukunft etwa ist sie unverzichtbar.

Und auf dem Weltwirtschaftsforum in Davos erklärten Analysten von Bloomberg KI inzwischen auch zur Schlüsseltechnologie für die Energiewende. Rund 11,3 Prozent zusätzliches Wachstum beim deutschen BIP durch KI-basierte Innovationen über alle Branchen hinweg halten die Wirtschaftsprüfer von PricewaterhouseCoopers bis 2030 für erreichbar.

Doch bei aller Euphorie: Auf dem Weg zur überall verfügbaren künstlichen Intelligenz sind einige Herausforderungen zu lösen. Eine davon ist es, die KI aus der Cloud dorthin zu bringen, wo sie gerade benötigt wird – mittels Edge Artificial Intelligence.

Inhaltsverzeichnis

Edge Artificial Intelligence: Das steckt dahinter

Edge Artificial Intelligence (oder kurz: Edge AI) ist die Verlagerung künstlicher Intelligenz an den Rand eines Unternehmensnetzwerkes, um diese dort schneller zur Verfügung zu stellen. So können Geräte in von Millisekunden Entscheidungen treffen – ohne Verbindung zum Internet oder zur Cloud. Alle Daten werden lokal verarbeitet und nur die Ergebnisse in die Cloud übertragen.
Künstliche Intelligenz (oder englisch: Artificial Intelligence) benötigt in der Regel sehr leistungsfähige Computer und große Speicherkapazitäten. Insbesondere das Machine Learning anhand von Big Data gehört zu den rechenintensivsten Anwendungen überhaupt. Daher werden viele typische KI-Aufgaben wie Deep Learning oder Spracherkennung zusammengefasst – heutzutage als SaaS (Software as a Service) in Rechenzentren als Cloud-Dienste.
Doch nicht für alle KI-Einsatzbereiche ist die zentrale Verarbeitung auch sinnvoll. Ein autonomes Fahrzeug beispielsweise benötigt KI-Berechnungen in Echtzeit immer dort, wo es sich gerade befindet. Umgebungs- und Sensordaten erst vom Fahrzeug an die Cloud zu senden, dort zu verarbeiten und dann wieder an das Fahrzeug zurück zu liefern, kann zu lange dauern. Oder: Hat das Fahrzeug beispielsweise in einem Tunnel gerade keine Verbindung zum Mobilfunknetz, kann es auf die Cloud-KI für eine gewisse Zeit überhaupt nicht zugreifen.
MEC-Verknüpfung symbolisch dargestellt vor Großstadtpanorama bei Nacht

Whitepaper: Multi-Access Edge Computing

Sie möchten das aktuelle Whitepaper herunterladen? Dafür müssen Sie nur Ihre Einwilligung geben, dass die Vodafone Unternehmen Sie werblich ansprechen dürfen. Tragen Sie bitte dazu Ihre Kontaktdaten ein. Sie bekommen dann eine E-Mail zur Bestätigung Ihrer Daten und der Einwilligung. Nach der Bestätigung bekommen Sie den Download-Link zum Whitepaper.

Das erwartet Sie in unserem MEC Whitepaper:

  • Alles rund um Multi-Access Edge Computing
  • Die damit möglichen neuen Anwendungen und Geschäftsmodelle
  • Alle Informationen, die für Unternehmen für den Einsatz der Technologie wichtig sind
Jetzt downloaden
Um die künstliche Intelligenz für derartige Aufgaben näher an den Einsatzort zu bringen, forschen Unternehmen wie Google, Amazon und Apple daher zur sogenannten Edge Artifical Intelligence (Edge AI). Das Wort ist eine Kombination aus den Begriffen Edge Computing und Artifical Intelligence.
Edge Computing bezeichnet dabei die Verlegung zeitkritischer Berechnungen aus dem Server-Raum oder der Unternehmens-Cloud an ihren eigentlichen Verwendungsort. Das kann beispielsweise der Steuerungscomputer eines Fertigungsroboters in einer Fabrik sein. Weil dieser Steuerungscomputer direkt beim Roboter und nicht zentral im Server-Raum steht, spricht man hier auch vom Rand (englisch: Edge) des Firmen-Netzwerkes. Edge AI beschreibt diesen Prozess speziell für Anwendungen der künstlichen Intelligenz.
Je nach Netzwerkarchitektur und Aufgaben der KI werden die Berechnungen zwischen Rand und Zentrum unterschiedlich aufgeteilt. Durch die Erweiterung der KI hin zum Rand der Netzwerkperipherie entstehen neue Einsatzmöglichkeiten. Auch eine vollständige Verlagerung der KI an den Rand ist grundsätzlich möglich. Dies ist aber nicht in allen Fällen auch sinnvoll.
Um die Datenlaufzeiten bei KI-Anwendungen sehr gering zu halten, arbeiten Unternehmen beim Informationsaustausch zwischen Zentrum und Rand darüber hinaus mit sehr schnellen Campus-Netzwerken auf 5G-Basis.
Geschäftsmann telefoniert mit Smartphone

Vodafone Campus-Netze: 5G und IoT im Zusammenspiel

Egal, welche Art von Campus-Netz Sie aufbauen wollen: Vodafone hat für jeden Bedarf das richtige Angebot.

  • Campus Private: Eigene 5G-Infrastruktur
  • Campus Isolated: Maximale Datensicherheit
  • Campus Flex: Für höchste Performance

So funktioniert Edge AI

Für die Edge Artificial Intelligence werden Funktionen der KI bedarfsgerecht aus der zentralen Cloud und ihrem Datenzentrum auf die Edge-Ebene, also an den Rand des Netzwerkes verlagert. Diese Funktionen können sein:
  • KI-Berechnungen direkt auf Edge-Computern, etwa als lokales Deep Learning
  • Speichern und Optimieren von Daten in lokalen Datenzentren
  • Direkte Machine-to-Machine-Kommunikation beispielsweise sich begegnender autonomer Fahrzeuge ohne Daten-Umweg über die zentrale Cloud
Das Verlagern von KI an den Rand des Netzwerkes geschieht unter anderem, indem auf Geräte-Steuerungen KI-Software installiert wird. Oder indem Geräte und Maschinen im Edge-Bereich eingerichtet werden, die eine KI bereits an Bord haben. Das können autonome Fahrzeuge sein, die sich per KI im Raum orientieren.
Dies können auch Peripherie-Geräte wie Kameras und Sensoren sein, die über eingebaute KI-Chips verfügen – etwa die Bildsensoren IMX500 und IMX501 von Sony. Oder neue Module für die Simatic-Steuerungen von Siemens, in denen bereits Intels KI-fähiger Chip Myriad X integriert ist. Alle dies bringt KI-Funktionen aus der Cloud an den Netzwerkrand.
Infografik zu den Ebenen der Edge Artificial Intelligence
Aus Cloud und Data Center werden KI-Funktionen auf die Edge-Ebene am Rand des Netzwerkes verlagert und sind so näher bei den Geräten, Maschinen und Gegenständen.
Mit diesen Maßnahmen führt Edge Artificial Intelligence die künstliche Intelligenz näher an ihren Anwendungsort und beschleunigt so Prozesse oder verleiht ihnen mehr Ausfallsicherheit.
Edge AI sollte allerdings nicht verwechselt werden mit Distributed Artificial Intelligence (Verteilte künstliche Intelligenz). Bei dieser werden KI-Aufgaben auf sehr viele ähnliche Computer aufgeteilt, um insgesamt mehr Rechenleistung zur Verfügung zu haben.
Empfohlener externer Inhalt
Hier ist ein Video-Inhalt von YouTube. Er ergänzt die Informationen auf dieser Seite.
Sie können ihn mit einem Klick anzeigen und wieder ausblenden.
Ich bin einverstanden, dass externe Inhalte angezeigt werden. So können personenbezogene Daten an Drittplattformen übermittelt werden. Mehr in unserer  Datenschutzerklärung.
Datenschutzerklärung

Ist Artificial Intelligence am Netzwerkrand die künstliche Intelligenz der Zukunft?

Edge Artificial Intelligence ist keine neue Form der künstlichen Intelligenz – die zugrunde liegenden Mechanismen sind die gleichen wie bei einer zentralen KI. Aber Edge AI schafft neue Einsatzgebiete für KI oder verbessert und beschleunigt bestehende Prozesse. Insbesondere mobile Geräte (Smartphones und Tablets, aber auch Fahrzeuge, Schiffe und Flugzeuge) profitieren stark von einer KI, die näher an den Einsatzort rückt oder sogar komplett lokal ausführbar ist.
Im Internet of Things optimiert Edge Artificial Intelligence schon jetzt viele Datenverkehrsanwendungen, etwa in der direkten Machine-to-Machine-Kommunikation in der Fabrik der Zukunft. Datenströme verlaufen durch Edge AI nicht mehr nur zwischen Zentrum und Peripherie (Edge), sondern direkt zwischen den jeweiligen Instanzen, die die Daten gerade benötigen. Das bietet viele Vorteile für den Einsatz von KI und spart Ressourcen. Das Fraunhofer-Institut für Integrierte Schaltungen in Erlangen spricht deshalb bei Edge AI sogar von der „nächsten Generation von intelligenten Systemen“.
Damit ist Edge AI längst einer der großen Wachstumsmärkte innerhalb der künstlichen Intelligenz. Santhosh Rao vom Marktforschungsunternehmen Gartner ist sich sicher: „Der Bedarf an Echtzeit-Einblicken und sofortigem Handeln, die aktuellen Netzwerkeinschränkungen, die hohen Mengen an Daten und die Geschwindigkeit, mit der diese Daten von Sensoren und Endpunkten generiert werden, zwingen die IT-Leiter, Edge-Computing-Lösungen einzusetzen, um die Daten näher an der Quelle ihrer Entstehung zu verarbeiten“.
In Verbindung mit Distributed Multi-Access Edge Computing werden Netze so immer leistungsfähiger. Der Datenverkehr wird hierdurch gegenüber dem reinen Cloud-Computing mit seiner zentralen KI massiv beschleunigt. Edge AI wird zentrale KI-Anwendungen aber nicht ersetzen, sondern ergänzen. Beide haben weiter ihre Berechtigung und ihre spezifischen Vorteile.
Mitarbeiter mit Helm prüft Daten am Tablet

Datenverarbeitung in nahezu Echtzeit – Gamechanger MEC

Als erster Anbieter am deutschen Markt bietet Vodafone in Kooperation mit Amazon Web Services seinen Kunden Distributed Multi-Access Edge Computing (MEC) an. Profitieren Sie von den Vorteilen der AWS Wavelength und den Stärken des Vodafone Netzes:

  • Niedrige Latenzen für Echtzeitanwendungen
  • Verlagerung der Datenverarbeitung vom Gerät in die Edge
  • Längere Batterie- und Akkulaufzeiten

Edge AI: Einsatz in der Praxis

Für Edge Ai gibt es viele Einsatzbereiche: Vom Automotive-Sektor und der Logistik, wo künstliche Intelligenz direkt auf Fahrzeug-Ebene benötigt wird und nicht immer Verbindung zur Cloud besteht. Über den Einzelhandel, wo KI-Anwendungen beispielsweise in der Filiale oder am Point of Sale in der Kundenansprache gewünscht sind. Bis hin zum Gesundheits-Sektor, wo neue mobile medizinische Geräte die Bewegungsfreiheit von Patient.innen nicht einschränken dürfen, aber gleichzeitig durch KI-Funktionen mehr Sicherheit und eine lückenlose medizinische Versorgung gewährleisten sollen.
Weit vorne in der Entwicklung und Umsetzung künstlicher Intelligenz und auch bei Edge AI ist der Internet-Konzern Alphabet Inc., der unter anderem Betreiber der Suchmaschine Google ist. Mittlerweile ist die vierte Generation seiner Tensor Processing Unit (TCU) im Handel. TCU sind spezielle Prozessoren, die KI-Fähigkeiten wie das Deep Learning in mobile Devices bringen, beispielsweise in Drohnen, Smartwatches oder mobile Diagnosegeräte.
Mit TensorFlow hat Google zudem eine eigene Softwaresammlung für die KI-Programmierung aufgesetzt. Außerdem dockt Google mit seinen auf Tensor-Technologie basierenden Peripheriegeräten wie dem Coral Development Board und seinen Coral-Sensoren und -Kameras an den beliebten Einplatinencomputer Raspberry Pi an.
Wettbewerber Sony hat mit Einführung seiner Edge-AI-Sensorplattform Aitrios ebenfalls zur Verbreitung der KI im Markt beigetragen. Der japanische Hersteller entwickelt derzeit mit Unternehmenspartnern weitere Anwendungen für seine AI-Kameras und andere intelligente Sensoren aus dem eigenen Haus.
Auch Hersteller wie Apple haben AI-Funktionen längst in ihren aktuellen Prozessor-Familien wie der M-Reihe verbaut. Die Gesichtserkennung Face ID von Apple-Geräten beruht ebenfalls auf entsprechender KI. Damit ist Edge AI auch im Consumer-Bereich längst im Alltag angekommen.

GE Healthcare – Künstliche Intelligenz für schnellere Diagnostik

Seit mehreren Jahren kooperieren in der Medizintechnik der Gerätehersteller GE Healthcare und Grafikkartenspezialist Nvidia. GE Healthcare ist aktuell auf dem Weltmarkt vertreten mit rund 500.000 installierten Computertomographen (CT) und weiteren bildgebende Diagnosegeräten.
Durch künstliche Intelligenz sollen CT-Scans zukünftig schneller Abbildungen des menschlichen Körpers liefern – und damit Hinweise auf mögliche Krankheitsbilder. Dadurch soll zugleich auch die Strahlungsdosis für Patienten während der Untersuchungen gesenkt werden. Zudem fallen bei jedem Scan mehrere Gigabyte an Daten an. Durch Berechnung und Speicherung im Edge-Bereich werden also die Netze der Gesundheitseinrichtungen entlastet. Gleichzeitig werden die Patientendaten geschützt, indem sie nur lokal weiterverarbeitet werden.
Besonders für viele Industrie-Unternehmen wird Edge AI gerade zum zentralen Baustein der Digitalisierung in der Industrie 4.0. Sei es in der Forschung und Entwicklung oder aber auch in der Produktion und Logistik.

Edge AI: Industrie 4.0 bei IoT-Projekten

Während IoT (Internet of Things) und IIoT (Industrial Internet of Things) Geräten, Maschinen und Gegenstände im Unternehmen verknüpfen und zu großen Sensor-Feldern zusammenschließen, bringt Edge AI künstliche Intelligenz in die vernetzten Strukturen.
Aus der Top-Down-Anwendung „Künstliche Intelligenz” wird eine Technologie, die in allen Instanzen des Firmen-Netzwerks funktioniert. Dadurch ergeben sich verschiedene Einsatzmöglichkeiten: so zum Beispiel eine Logistik-Drohne, die nebenbei über ihre Kamera unbefugte Personen auf dem Unternehmensgelände identifiziert; oder ein Umweltsensor, der dank eigener KI erkennt, dass der Generator einer Windkraftanlage außerhalb normaler Parameter läuft und zeitnah gewartet werden müsste. Über das 5G-Mobilfunknetz sendet der Sensor dann eine Kurznachricht – von der drohne an den Sicherheitsdienst oder von der Windkraftanlage direkt an die Anlagentechniker:innen. All diese Anwendungen sind Teile des Unternehmens, das mittels Edge AI und IoT intelligent vernetzt ist.
Szenerie mit Sonnenuntergang und einer Skyline

5G für Anwendungen der Zukunft

Das Echtzeit-Netz von Vodafone ermöglicht völlig neue Formen der intelligenten Vernetzung für Ihr Business.

  • Massgeschneidertes Netz
  • Geschwindigkeitsturbo
  • Reaktion in Echtzeit

Der Weg zum Edge-KI-Projekt für Ihr Unternehmen

Sie möchten Edge AI in Ihrem Unternehmen einsetzen? So könnte Ihr Ablaufplan für ein Pilotprojekt aussehen:
  • Zielvorgaben: Welche Aufgaben soll die Edge AI für Sie übernehmen?
  • Projektdefinition: Gibt es die benötigte Technologie bereits als zentrale KI-Anwendung, die lediglich lokal portiert werden soll? Oder muss das Projekt ganz neu entwickelt werden?
  • Marktsondierung: Welche Anbieter für Hard- und Software gibt es? Müssen einzelne Komponenten wie Sensoren oder Teile der Software inhouse entwickelt werden, beispielsweise mit Google Coral und Raspberry PI? Ist das notwendige Wissen in Ihrem Unternehmen bereits vorhanden?
  • Make or buy: Kann das Unternehmen einen Prototyp entwickeln oder muss es einen einkaufen?
  • Inbetriebnahme: Welche technische Anbindung wird gewählt und wie werden KI-Funktionen angelernt?
  • Probeläufe: Kann der Prototyp unter Testbedingungen auf vorhandenem Produktionssystem laufen oder ist eine eigene Testumgebung notwendig?
  • Evaluation: Wie sind die Ergebnisse zu bewerten? Bringt Edge AI Kostenvorteile durch Ressourceneinsparungen und/oder schafft es neue Möglichkeiten durch intelligentere Sensorik und Produktionssysteme?
  • Lessons Learned: Ist ein Ausbau der Edge KI im eigenen Unternehmen möglich und sinnvoll?

Developer Kits und integrierte Lösungen für Ihre Edge KI

Für den industriellen Einsatz von Edge KI gibt es bereits erste Anbieter. Zwei Beispiele:
  • Die theBlue.ai GmbH hat mit ihrer hauseigenen Blue Quality Control-Plattform eine Edge-AI-Lösung entwickelt, die Produkte auf Laufbändern auf Abweichungen und Fehler untersucht. Dies geschieht über auswechselbare Komponenten, wie zum Beispiel Videokameras oder Infrarot-Kameras. Die KI meldet erkannte Fehler in Echtzeit an das Personal und stellt sie auf einem Management-Dashboard dar.
  • Adlink bietet mit Vizi-AI SDK ein Entwickler-Paket für die automatisierte Bildverarbeitung (Machine Vision) per künstlicher Intelligenz an. Es basiert auf einem Intel Atom-Prozessor. Das Modul hat einen HDMI-Ausgang und kommuniziert per Ethernet oder USB 3.0, beziehungsweise MRAA-konformer 40-Pin-Steckverbinder mit seiner Umwelt.
Empfohlener externer Inhalt
Hier ist ein Video-Inhalt von YouTube. Er ergänzt die Informationen auf dieser Seite.
Sie können ihn mit einem Klick anzeigen und wieder ausblenden.
Ich bin einverstanden, dass externe Inhalte angezeigt werden. So können personenbezogene Daten an Drittplattformen übermittelt werden. Mehr in unserer  Datenschutzerklärung.
Datenschutzerklärung

Vorteile von Edge AI

Mit ihren vielen neuen Möglichkeiten erweitert die Edge AI die Einsatzfelder von KI enorm. In einigen Bereichen könnte sie zentrale KI-Anwendungen bald ganz ersetzen. Das gilt besonders dort, wo Edge AI ihre Vorteile vollständig ausspielen kann. Im Einzelnen sind das:
  • weniger Datenverkehr im Unternehmens-Netz und damit mehr Netzwerk-Bandbreite für andere Anwendungen
  • schnellere Umsetzung zeitkritischer Berechnungen vor Ort und dadurch mehr Prozesssicherheit besonders bei Echtzeitanwendungen
  • höhere Mobilität für autonome Systeme, die auch ohne Funk-Verbindung zum Server funktionsfähig bleiben
  • Bessere Skalierbarkeit durch lokal aufgesetzte KI-Systeme, die nach Bedarf repliziert (vervielfacht) werden
  • Kosteneinsparung durch günstige Edge-AI-Systeme, die beispielsweise auf Basis der Google-Tensor-Prozessoren erstellt werden
  • Flexibilität durch selbst entwickelte Prototypen auf Basis beispielsweise des Raspberry PI
  • Datensicherheit für sensible Daten, beispielsweise biometrische Muster oder Bewegungsprofile autonomer Fahrzeuge, die nicht mehr über Netze transportiert, sondern lokal gespeichert werden

Edge AI: AI-Cloud-Systeme mit Edge verbessern – Herausforderungen für AI

Die nachfolgenden Prüfsteine liefern Ihnen Hinweise, wo Edge AI auch in ihrem Unternehmen besonderen Mehrwert schaffen kann:
  • Entstehen bei Ihnen große Datenmengen, die lokal an Maschinen oder Arbeitsplätzen anfallen? Könnte eine Echtzeit-Auswertung dieser Datenmengen Vorteile für Ihre Produktion bringen, beispielsweise den Ausschuss in der Fertigung reduzieren oder das Qualitätsmanagement in Teilen automatisieren?
  • Gibt es Bereiche, in denen Prüf- oder Kontrollaufgaben manuell durchgeführt werden müssen, obwohl sie per KI umsetzbar wären (automatisiertes Qualitätsmanagement)?
  • Sind Sensormessungen oder andere Anwendungen extrem zeitkritisch und daher über Ihr bestehendes Unternehmensnetz nicht per Cloud-KI automatisierbar?
  • Gibt es KI-Aufgaben, die per zentraler oder extern eingekaufter KI nicht wirtschaftlich umsetzbar sind?
  • Fehlen für bestimmte Projekte und Anwendungen vorkonfektionierte Lösungen?
  • Möchten Sie KI-Funktionen außerhalb ihres Campus-Netzes bereitstellen, beispielsweise für Service-Techniker:innen im Außendienst?

Wann lohnt sich Edge AI?

Edge AI kann für Ihr Unternehmen überall dort interessant sein, wo sich die Vorteile gegenüber einer zentralen KI besonders stark manifestieren. Diese Vorteile sind nicht nur wirtschaftlicher Natur:
Möchten Sie die Leistungsfähigkeit Ihrer Netze erhalten, obwohl das darüber abgewickelte Datenvolumen auch durch den Einsatz künstlicher Intelligenz schnell ansteigt? Durch die Auslagerung der KI an den Netzwerk-Rand entlasten Sie vorhandenen Netze und optimieren Ihren Datenverkehr, ohne auf KI-Anwendungen deswegen verzichten zu müssen.
Betreiben Sie Maschinen oder Geräte, die KI am Netzwerk-Rand oder sogar außerhalb des Unternehmens-Netzes in Echtzeit benötigen? Beispiele wären hier Flottenfahrzeuge, die über eine KI gemanaged werden oder die auf einzelne KI-Funktionen zugreifen. Mittels Edge AI verschaffen Sie Ihrer Flotte einen sicheren und schnellen Zugang zu diesen Funktionen.
Möchten Sie sensible Daten möglichst nur lokal erfassen und weiterverarbeiten? Beispiele hierfür könnten biometrische Daten von Mitarbeiter:innen und Kund:innen sein oder strategische Unternehmensdaten, die nicht erst an eine zentralen Cloud übermittelt werden sollen um sie dort auszuwerten. Technische Systeme wie biometrische Zugangskontrollen mit integrierter KI behalten ihre sensiblen Daten dort, wo sie entstehen und reduzieren so das Risiko, dass Dritte auf diese Daten zugreifen könnten.
Dies sind – neben den sich abzeichnenden Kostenvorteilen – nur einige der Gründe, warum sich Edge AI auch für Ihr Unternehmen lohnen könnte. Noch steht Edge KI in vielen Bereichen erst am Anfang. Mit ihrer weiteren Verbreitung werden sich auch weitere Gründe für den Einsatz ergeben. So wie dies schon heute auch bei zentralen KI-Anwendungen, bei der zunehmenden Migration in die Cloud oder bei IioT-Netzen der Fall ist.

Edge Artificial Intelligence im Überblick

  • Edge KI erweitert vorhandene KI-Funktionen aus der zentralen Cloud in die Fläche oder das IoT-Netzwerk.
  • Viele Anbieter wie Google oder Sony arbeiten bereits an Hard- und Software-Lösungen für die Edge KI.
  • Am Markt sind bereits einige Developer Kits auf Basis von Raspberry Pi oder Intel Atom verfügbar. Dritthersteller bieten zusätzlich kompatible Sensoren an.
  • Edge KI könnte auch in Ihrem Unternehmen Einsparpotenzial aufzeigen. Pilotprojekte sind dank niedriger Hardware- und Einstiegskosten wirtschaftlich darstellbar.
Das könnte Sie auch interessieren:
Cloud & Hosting
Hände auf der Tastatur eines Notebooks, davor ein symbolisiert ein interaktives Dashboard mit Icons, die Anwendungsfälle von Cloud Computing symbolisieren

AWS Lambda: Effizient, flexibel und serverlos in der Cloud arbeiten

Effizient, flexibel und leistungsfähig – kann Ihr Unternehmen dieses Dreierpack für seine digitalen Dienste sicherstellen? Falls nicht: Dank Cloud-Computing-Plattformen können Sie diese Hürde problemlos überspringen. Mit den Amazon Web Services (AWS) lagern Sie wie bei Microsoft Azure Functions einfach wichtige Ressourcen sicher und bedarfsgerecht aus. Dazu gehören etwa Rechenleistung, Serverkapazitäten und Softwarelösungen. Durch AWS Lambda erhalten Sie zudem die Möglichkeit, Ihre Cloud-Infrastruktur automatisch zu verwalten und viele weitere Dinge ohne eigene Server-Infrastruktur zu erledigen. So treiben Sie in Ihrem Unternehmen die Digitalisierung gezielt voran und können sich weiterhin auf Ihr Kerngeschäft konzentrieren. Bei Lambda handelt es sich um einen serverlosen Cloud-Dienst, der sich seit seiner Einführung im Jahr 2014 zu einem essenziellen Bestandteil des Ökosystems von Amazons erfolgreichem AWS-Angebot entwickelt hat. Mittlerweile unterstützt Lambda eine Vielzahl von Anwendungsfällen und Backend-Umgebungen für Unternehmen und sonstige Nutzer:innen. Das Besondere: Lambda skaliert, verwaltet und wartet die Infrastruktur automatisch. Wie das funktioniert, welche weiteren Vorteile AWS Lambda bietet und in welchen Bereichen Unternehmen den Service nutzen können, erfahren Sie hier.

Telefon

Digitalisierungs-Beratung

Sie haben Fragen zur Digitalisierung? Jetzt kostenlos beraten lassen. Montag-Freitag von 8-20 Uhr, außer an Feiertagen.

0800 505 4539

Hilfe und Service

Montag bis Freitag von 8 bis 20 Uhr, außer an Feiertagen.

0800 172 1234
Online
Vor Ort