Von Jahr zu Jahr wächst die von Menschen, Maschinen und Dingen produzierte Datenmenge. Die Daten entstehen dabei, im industriellen, aber auch gesellschaftlichen Kontext. Um die Flut an Daten effektiv zu verarbeiten, wird immer mehr künstliche Intelligenz (KI) eingesetzt. Während KI-Services bislang vorwiegend in der Cloud bzw. von Rechenzentren ausgeführt werden, verschiebt sich die Anwendung von KI zunehmend in die Richtung des Netzwerkrands – dem Einsatzgebiet der Edge Intelligence (EI).
EI ist in dem Bereich Informationstechnologie in den letzten Jahren in den Fokus der Forschung gerückt. In dieser Arbeit wird der aktuelle Forschungsstand von Anwendungsfällen für EI Lösungen in einer strukturierten Literaturanalyse nach Vom Brocke und Kollegen (2009) untersucht und im Anschluss in einer Taxonomie nach Nickerson und Team (2017) klassifiziert.
Inhaltsverzeichnis
1 Einleitung
2 Grundlagen
2.1 Artificial Intelligence
2.2 Edge Computing
2.3 Edge Intelligence
3 Strukturierte Literaturanalyse
3.1 5 Schritte nach Vom Brocke et al. (2009)
3.2 Definition des Umfangs
3.3 Konzeptualisierung des Themas
3.3.1 Definition relevanter Terme
3.3.2 Aufstellen des Suchstrings
3.4 Literaturrecherche
3.4.1 Stichwort-Literatursuche
3.4.2 Reduktion der Funde
3.5 Analyse und Synthese
3.5.1 Kernkonzepte
3.6 Konzeptmatrix
4 Taxonomie nach Nickerson et al. (2017)
4.1 Konzept: Taxonomie-Entwicklung
4.2 Entwicklung und Ergebnis der Taxonomie
4.2.1 Bestimmung der Meta-Charakteristika und der Endbedingungen
4.2.2 Iterationen
4.3 Ergebnis der Taxonomie
5 Diskussion
6 Schlussfolgerung
Zielsetzung & Themen
Die vorliegende Arbeit untersucht den aktuellen Forschungsstand von Edge-Intelligence-Lösungen (EI), indem sie existierende Anwendungsfälle durch eine strukturierte Literaturanalyse systematisiert und in einer Taxonomie klassifiziert, um Orientierung in diesem aufkommenden Forschungsfeld zu bieten.
- Systematische Literaturanalyse nach Vom Brocke et al.
- Entwicklung einer Taxonomie für EI-Anwendungsfälle nach Nickerson et al.
- Klassifizierung von 46 relevanten Use Cases in sechs Dimensionen.
- Analyse des technologischen Einsatzes von KI am Netzwerkrand.
- Diskussion der Trends wie die Verwendung von Convolutional Neural Networks.
Auszug aus dem Buch
3.5.1.1 Smart Home
Die Kategorie Smart Home (7) befasst sich mit EI in Gebäuden oder Häusern. Weiter wird in die Teilbereiche Privat Home (4) und Public Building (3) untergliedert.
In ersterem Bereich werden EI Konzepte erfasst, die im privatem Leben Verwendung finden. Hier sind intelligente Stromzähler (Sirojan et al., 2017), intelligente Steckdosen (Xiang et al., 2020) oder die Erkennung und Vorhersage von menschlicher Aktivität (B. Huang et al., 2020; Zhang et al., 2018), zu nennen.
In öffentlichen Gebäuden wird EI beispielsweise für das automatische Zählen von Menschen eingesetzt. Die Ergebnisse werden dann verwendet, um Klimaanlagen zu steuern (Gamanayake et al., 2020) oder um Energieressourcen zu managen (Metwaly et al., 2019). EI trägt auch durch stündliche Vorhersagen des Energieverbrauchs zum effizienteren Energiemanagement in Gebäuden bei (Dalai et al., 2019).
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung definiert das Phänomen des wachsenden Datenaufkommens und führt Edge Intelligence als technologischen Lösungsansatz ein, inklusive der Forschungsfragen.
2 Grundlagen: In diesem Kapitel werden die zentralen Begriffe Künstliche Intelligenz, Edge Computing und Edge Intelligence definiert und in ihren theoretischen Kontext gesetzt.
3 Strukturierte Literaturanalyse: Dieser Abschnitt beschreibt das methodische Vorgehen bei der systematischen Suche und Filterung der Literatur nach Vom Brocke et al. (2009) und identifiziert Kernkonzepte.
4 Taxonomie nach Nickerson et al. (2017): Hier wird der Prozess der Taxonomie-Erstellung erläutert und die Klassifizierung der identifizierten Use Cases in verschiedenen Iterationen detailliert durchgeführt.
5 Diskussion: Die Diskussion reflektiert die Ergebnisse der Taxonomie, zeigt Auffälligkeiten in den Anwendungsfeldern auf und bewertet die technologischen Schwerpunkte.
6 Schlussfolgerung: Das letzte Kapitel beantwortet die Forschungsfragen, benennt Limitationen der Arbeit und gibt einen Ausblick auf zukünftige Entwicklungen im Bereich Edge Intelligence.
Schlüsselwörter
Edge Intelligence, Künstliche Intelligenz, Edge Computing, Literaturanalyse, Taxonomie, Internet-of-Things, Anwendungsfälle, Maschinelles Lernen, Inferenz, Trainingsarchitektur, Smart Home, Smart City, Smart Industry, Neuronale Netze, Edge-Knoten.
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit beschäftigt sich mit den praktischen Anwendungsszenarien (Use Cases) von Edge-Intelligence-Lösungen in verschiedenen gesellschaftlichen und industriellen Bereichen.
Welche zentralen Themenfelder werden behandelt?
Die Analyse deckt verschiedene Sektoren ab, darunter Smart Home, Smart City, Smart Industry, Smart Society, Smart Security sowie Smart Vehicles & Traffic.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die systematische Darstellung und Kategorisierung des aktuellen Forschungsstandes von EI-Anwendungen durch eine strukturierte Literaturanalyse und die Erstellung einer wissenschaftlichen Taxonomie.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt die strukturierte Literaturanalyse nach Vom Brocke et al. (2009) sowie die Taxonomie-Entwicklungsmethode nach Nickerson et al. (2017).
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen, die systematische Literaturrecherche, die Identifikation von Kernkonzepten sowie die iterative Entwicklung der Klassifikationstaxonomie.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Edge Intelligence, KI-Algorithmen, Edge Computing, Taxonomie, Use Case und industrielle Anwendungen.
Warum spielt das Thema Edge Intelligence eine so große Rolle für die Forschung?
Aufgrund des massiven Anstiegs von generierten Daten durch IoT-Geräte ist eine effiziente Verarbeitung notwendig, wobei EI durch die Verlagerung von der Cloud an den Netzwerkrand Latenzzeiten und Bandbreitenbedarf verbessert.
Welche Erkenntnisse wurden zur Evaluation der Anwendungsfälle gewonnen?
Die Analyse zeigt, dass ein Großteil der untersuchten EI-Anwendungen bisher in künstlichen (Labor-)Umgebungen getestet wurde, was auf ein noch frühes Stadium der Forschung in realen Umgebungen hindeutet.
- Arbeit zitieren
- Steffen Nagel (Autor:in), 2020, Real World Use Cases für Edge Intelligence Lösungen, München, GRIN Verlag, https://www.grin.com/document/992974
