Edge AI in der Fertigung: Welche Verarbeitung an die Maschine gehört

Eine Prüfstation muss auch dann sinnvoll reagieren, wenn die Verbindung zum Rechenzentrum ausfällt. Gleichzeitig möchte die zentrale IT neue Modelle kontrolliert auf mehrere Werke verteilen. Diese Anforderungen widersprechen sich nicht. Sie verlangen eine klare Aufteilung zwischen lokaler Entscheidung und zentraler Verwaltung.

Edge AI bedeutet, dass ein KI-Modell nahe an der Datenquelle ausgeführt wird, etwa auf einem Industrie-PC, einer Kamera oder einem Rechner im Werk. Training, Auswertung und Versionsverwaltung können an anderen Orten stattfinden. Die Entscheidung lautet deshalb selten „alles lokal oder alles Cloud“.

Was Edge AI im Werk leisten soll

Für Produktionsverantwortliche sind vor allem drei Fragen relevant: Wie lange darf die Antwort dauern? Was muss bei einer unterbrochenen Verbindung weiterlaufen? Welche Daten sollen den Standort verlassen? Daraus ergibt sich der geeignete Ausführungsort.

Fraunhofer IIS erläutert Edge AI als Verarbeitung nahe an der Datenentstehung und beschreibt verteilte Ansätze. Für ein Werk lässt sich daraus ein praktisches Architekturprinzip ableiten: Die zeitkritische Auswertung bleibt nahe am Prozess; nicht zeitkritische Aufgaben können zentral gebündelt werden.

Diese Aufteilung ist ein Ausgangspunkt. Eine fachliche Abnahme muss die konkreten Anforderungen des Prozesses berücksichtigen.

Cloud, Werksserver oder Gerät?

Cloudbetrieb kann den Zugriff auf zentrale Rechenkapazität erleichtern. Dafür werden Datenwege, Verbindungsqualität und externe Abhängigkeiten Teil des Ablaufs. Ein Werksserver bündelt lokale Kapazität, bleibt aber ebenfalls eine gemeinsame Abhängigkeit. Verarbeitung direkt am Gerät verkürzt den Weg, verteilt jedoch Wartung und Updates auf mehr Systeme.

On-Device AI ist die engste Variante: Das Modell läuft auf dem Gerät selbst. Near-Sensor-Verarbeitung liegt besonders nahe am Sensor. Ein Rechner im Werksnetz ist ebenfalls ein möglicher Edge-Standort, erfüllt aber andere Anforderungen an Latenz und Ausfallsicherheit. Die Begriffe ersetzen keine Messung der vollständigen Kette.

Ein lokales Modell kann Übertragungen reduzieren. Ob Daten tatsächlich im Werk bleiben, hängt auch von Protokollen, Telemetrie, Fernwartung und Sicherungen ab. Prüfen Sie die ausgehenden Verbindungen. „Edge“ ist keine automatische Datenschutz- oder Sicherheitszusage.

Ein Anwendungsfall: Sichtprüfung am Band

Eine Kamera nimmt das Bauteil auf. Ein lokaler Rechner bewertet das Bild. Das Ergebnis wird einer eindeutigen Teilekennung oder Position zugeordnet und rechtzeitig an den weiteren Prüfablauf übergeben. Zentral werden freigegebene Modellversionen und ausgewählte Auswertungen verwaltet.

Die relevante Zeitspanne beginnt nicht erst beim Modell. Sie umfasst Aufnahme, Übertragung, Vorverarbeitung, Auswertung und Rückmeldung. Messen Sie Ausreißer unter realistischer Last. Eine gute durchschnittliche Antwortzeit kann einzelne verspätete Entscheidungen verdecken.

Wenn kein aktueller Befund vorliegt, muss der Prozess den vorher festgelegten Rückfallweg verwenden. Das kann beispielsweise eine manuelle Nachprüfung sein. Welche Reaktion angemessen ist, entscheidet die verantwortliche Prozessgestaltung. Eine KI-Ausgabe ersetzt keine dafür erforderliche Sicherheitsfunktion.

Die fachliche Bewertung der Fehlerklassen beschreibt der Leitfaden zur visuellen Qualitätskontrolle.

Hardware nach Arbeitslast auswählen

Klären Sie Bildgröße, Modell, Anzahl gleichzeitiger Aufgaben und zulässige Antwortzeit, bevor Sie Geräte auswählen. Zum Speicherbedarf gehören nicht nur die Modellgewichte, sondern auch Laufzeit, Zwischenergebnisse und gegebenenfalls Kontextdaten. Prüfen Sie Kühlung, Umgebung und den verfügbaren Wartungszugang.

Eine verkleinerte oder quantisierte Modellversion kann den Ressourcenbedarf senken. Sie muss danach erneut gegen denselben fachlichen Testsatz antreten. Ein schnelleres Modell ist kein Fortschritt, wenn es entscheidende Fehler häufiger übersieht.

Für die Kostenrechnung zählen neben der Hardware auch Ersatzgeräte, Rollouts, Überwachung und Eingriffe vor Ort. Bei vielen Standorten kann eine vermeintlich günstige Einzelinstallation im Betrieb teuer werden.

Updates sind ein Produktionsprozess

Jedes Gerät braucht eine eindeutige Zuordnung zu Modell, Konfiguration und Prüfvorgabe. Eine neue Version sollte zunächst auf einem begrenzten System erprobt werden. Erst nach bestandenen Prüfungen folgt die weitere Verteilung.

1. Paket und zugehörige Konfiguration vor Installation auf Integrität und Herkunft prüfen.
2. Freigabe und Zeitpunkt der Umstellung dokumentieren.
3. Funktion unter realer Last beobachten.
4. Bei definierten Fehlern zur vorherigen Version zurückkehren.
5. Sicherstellen, dass Ergebnisse weiterhin der tatsächlich verwendeten Version zugeordnet sind.

Auch Zertifikate, Betriebssystem und Zugänge brauchen einen Pflegeplan. Die lokale Ausführung entlastet manche Datenwege, übernimmt aber keine Wartungsaufgaben für Ihr Team.

Wann lohnt sich Edge AI nicht?

Wenn eine Anwendung nur gelegentlich große Dokumente verarbeitet und Minuten statt Millisekunden Zeit hat, ist ein Gerät an jeder Maschine möglicherweise unnötig. Eine zentrale private Anwendung kann einfacher zu betreiben sein. Vergleichen Sie dafür On-Premise, EU-Cloud und API.

Ein guter Pilot liefert mehr als einen Geschwindigkeitswert: Er zeigt das Verhalten bei Strom- und Netzunterbrechung, vollem Speicher, fehlerhaftem Update und ungewöhnlicher Last. Ihr Betriebsteam sollte diese Tests selbst nachvollziehen können.

Welf entwickelt KI-Anwendungen und ihre Integration passend zur betrieblichen Aufgabe. Für eine Edge-Entscheidung beginnen wir mit Datenweg, Reaktionszeit und Rückfallprozess. Architektur für Ihren Anwendungsfall besprechen.