gesponsertEdge KI in der Industrie Industrial Edge KI muss auch Windows XP verstehen können

Gesponsert von

IEI Integration Corp.

Das taiwanische Unternehmen IEI Integration Corp. sieht Edge KI nicht in erster Linie als Frage der Rechenleistung. Entscheidend ist vielmehr, wie moderne Edge-Plattformen mit bestehender Software zusammenspielen und dabei Datensouveränität, Cybersecurity und lange Produktlebenszyklen in unterschiedlichen Einsatzumgebungen berücksichtigen können.

Wer über Edge KI spricht, landet schnell bei Rechenleistung. TOPS, GPUs, CPUs, NPUs, Beschleuniger, Plattformen. Bei vielen Herstellern scheint die Botschaft noch immer zu lauten: größer, schneller, leistungsfähiger. Es wird also viel gesprochen und viel versprochen. Das ist nachvollziehbar, aber am Ende nur die halbe Geschichte. In der Industrie hängt der Erfolg einer Edge-KI-Anwendung nur selten allein von der reinen Rechenleistung ab. Viel wichtiger ist, ob das System in eine Umgebung passt, die bereits existiert.

Und große Teile dieser Umgebung können bereits Jahrzehnte alt sein.

In vielen Fabriken laufen Maschinen seit 20, 30 oder 40 Jahren – gerade in Europa. Die Anlagen sind bezahlt, produktiv und für ihre Aufgabe gut genug. Alt ist häufig nicht die Maschine selbst, sondern die digitale Umgebung drumherum. Dazu gehören Betriebssysteme, Schnittstellen, zertifizierte Software und Bedienoberflächen. Wer Edge KI einführen will, muss verstehen, warum Betriebssysteme wie Windows XP oder Windows 7 in industriellen Umgebungen noch lange weiterlaufen können, nachdem der reguläre Herstellersupport längst beendet wurde.

Eine zentrale Herausforderung der Digitalisierung

Auf der Computex 2026 in Taipeh beschrieb Y.T. Lee, Vice President Networking & Edge Computing bei IEI, genau diesen Punkt als eine zentrale Herausforderung der industriellen Digitalisierung. Mit fast drei Jahrzehnten Erfahrung im Embedded- und Advanced-Computing hat IEI ein Portfolio aufgebaut, das Edge AI, Networking und Medizintechnik umfasst. Es reicht heute von kompakten Embedded-Produkten bis zu Plattformen mittlerer und hoher Leistungsklassen, die sich an unterschiedliche Anwendungen und Einsatzbedingungen anpassen lassen. Das Portfolio geht dabei über einzelne Boards und Box-PCs hinaus und umfasst integrierte Plattformen, die Rechenleistung, Software und Managementfunktionen für branchenspezifische Anforderungen verbinden.

Auch die Erwartungen der Kunden verändern sich. In vielen Projekten reicht es nicht mehr, wenn eine KI-Anwendung im Pilotaufbau funktioniert. Gefragt sind Plattformen, die ausgerollt, gewartet, aktualisiert und über viele Jahre betrieben werden können. Aus dem Proof of Concept wird eine langfristige Betriebsfrage: Wie bleibt das System verfügbar? Wie wird es abgesichert? Wie lässt es sich in bestehende Maschinen und Anlagen integrieren? Und wer unterstützt den Kunden, wenn aus einem Demonstrator eine produktive Installation wird?

Viele Anbieter machen in diese Richtung Versprechen. Interessanter wird es dort, wo Lee nicht über Zukunftsvisionen spricht, sondern über Legacy-Systeme, die zur industriellen Realität gehören. In der Industrie ist Legacy nicht automatisch ein Problem, das beseitigt werden muss. Sehr häufig verdient ein Unternehmen genau damit sein Geld.

Alte Software verschwindet nicht, nur weil neue Hardware da ist

Viele industrielle Anwendungen wurden über Jahre entwickelt, angepasst, validiert und teilweise zertifiziert. Sie laufen stabil, hängen tief in Produktionsprozessen oder Maschinensteuerungen und wurden nicht dafür gebaut, alle paar Jahre auf eine neue Plattform umzuziehen. Genau das unterscheidet die Industrie extrem von den Lebenszyklen moderner Konsumgüter. Ein Smartphone wird ersetzt, wenn es alt ist. Eine Maschine nicht.

Lee bringt das im Gespräch sehr nüchtern auf den Punkt: „Wenn man solche Software verändern oder neu entwickeln will, ist das ein großes Problem.“ Im englischen Original spricht er von einem „big headache“. Gemeint sind Anwendungen, die nicht mal eben umgeschrieben werden können, weil daran Kosten, Know-how, Zertifizierungen und Risiken hängen.

Für IEI ist die Virtualisierung industrieller Software-Workloads und Legacy-Betriebssysteme deshalb ein wichtiger Baustein. Die Idee: Neue Hardware verdrängt nicht die alte industrielle Software, sondern kann stattdessen bestehende Workloads auf modernen Plattformen weiterlaufen lassen. Lee beschreibt es so: Ein Unternehmen kann eine moderne Hochleistungsplattform von Intel oder AMD einsetzen und gleichzeitig validierte Legacy-Anwendungen in einer virtualisierten Umgebung weiterbetreiben. Das ist nicht besonders glamourös, aber es geht um die industrielle Relevanz.

Denn viele Unternehmen bauen keine komplett neue KI-Fabrik. Stattdessen suchen sie nach einer Antwort auf Fragen wie: Wie bekomme ich mehr Rechenleistung in eine bestehende Anlage? Wie halte ich eine alte Anwendung am Leben? Wie reduziere ich die Zahl einzelner Rechner, ohne die Software neu schreiben zu müssen? Und wie schaffe ich das, ohne dass die Instandhaltung anschließend ein Informatikstudium braucht?

IEI setzt hier nach Lees Darstellung auf Virtualisierung und zentrales Management. Anwendungen sollen auf Plattformen verschoben werden können, die genug Rechenleistung haben, während Ressourcen zentral sichtbar und verwaltbar sein sollen. Das ist besonders für kleinere und mittlere Unternehmen interessant, die nicht über große IT-Abteilungen verfügen. Edge KI soll dort nicht ein weiteres Spezialthema darstellen, sondern ein betreibbares System.

Edge KI ist nicht nur eine Frage der Latenz

Edge KI wird oft mit kurzen Reaktionszeiten begründet. Das stimmt, greift aber zu kurz. Bildverarbeitung, Qualitätskontrolle oder Maschinenüberwachung profitieren zwar davon, wenn Entscheidungen nah an der Anlage fallen. Für Industrie und Medizin kommt jedoch ein zweiter Aspekt hinzu: Daten dürfen nicht immer in die Cloud.

Lee verweist auf medizinische Anwendungen, bei denen genetische Daten in manchen Ländern das Land nicht verlassen dürfen. Das Beispiel ist extrem, macht aber den Grundkonflikt sichtbar: Cloud-KI ist nicht automatisch die richtige Antwort, nur weil sie technisch möglich ist. Gerade bei sensiblen Industrie-, Medizin- oder Unternehmensdaten geht es um Kontrolle, Datenhoheit und Sicherheit. Edge-Systeme können helfen, weil sie Daten lokal verarbeiten und nur Ergebnisse, Metadaten oder ausgewählte Informationen weitergeben.

Für europäische Unternehmen ist dieser Punkt besonders relevant. Datenschutz, Cybersecurity, geistiges Eigentum und kritische Infrastruktur sind keine Randthemen. Wer Daten auswertet, muss klären, wo sie verarbeitet werden, wer Zugriff darauf hat und wie sie geschützt werden.

Von starren Regeln zu trainierbaren Systemen

Für viele industrielle KI-Anwendungen war Machine Vision ein naheliegender Ausgangspunkt. Qualitätskontrolle ist ein offensichtlicher Anwendungsfall: Eine Kamera erfasst ein Produkt, Abweichungen werden erkannt und Ausschuss reduziert. Aber auch hier verändern sich die Erwartungen. Lee sagt, dass Kunden früher vor allem regelbasierte Systeme eingesetzt haben. Für die optische Inspektion mussten Merkmale, Toleranzen und Fehlerbilder sehr genau definiert werden. Heute verschiebt sich der Schwerpunkt hin zu Systemen, die mit guten und schlechten Beispielen trainiert werden. Bei ausgewählten Anwendungen kann das den Aufwand verringern, jede einzelne Prüfregel manuell festlegen zu müssen.

Ein Beispiel aus dem Gespräch ist ein Kunde in Dänemark, der Fischkonserven produziert. Früher, so Lee, suchte das Unternehmen vor allem nach der günstigsten Hardware, die eine bestimmte Aufgabe erledigen konnte. Mit KI verändert sich das. Die Plattform muss leistungsfähiger und besser auf die Anwendung abgestimmt sein, damit KI-Frameworks, Modelle und Analyse zusammenspielen können.

Das verdeutlicht einen Punkt, der in KI-Diskussionen häufig untergeht: Edge AI braucht mehr als Hardware. Sie braucht eine Umgebung, in der Kunden ihre Anwendung tatsächlich zum Laufen bringen können. Das Plattformkonzept ist dabei entscheidend. Für IEI besteht eine Edge-AI-Lösung nicht nur aus Prozessor, Beschleuniger und Gehäuse. Dazu gehören industrielle Hardware, Virtualisierung, Networking und Sicherheitsfunktionen, Framework-Unterstützung, zentrales Management und Validierung. Erst diese Kombination entscheidet darüber, ob eine Anwendung auch nach dem Pilotprojekt im Alltag betrieben werden kann.

Hier werden Anbieter wie IEI für Industriekunden interessant: nicht als KI-Magier, sondern als Übersetzer zwischen Computing-Plattformen und Produktionsrealität. Je nach Anwendung sieht die Plattform unterschiedlich aus. In der Fertigung stehen Machine Vision, Qualitätsprüfung und Maschinenüberwachung im Vordergrund. In der Medizin rücken lokale Datenverarbeitung und regulatorische Anforderungen stärker in den Fokus. Bei Transport, Energieversorgung, industriellen Netzwerken oder 5G-Infrastrukturen werden Verfügbarkeit, sichere Kommunikation, Netzwerkdurchsatz und Orchestrierung wichtiger. Für Kunden bedeutet das, dass Anpassung, Validierung und Integration neben der reinen Hardwareauswahl an Bedeutung gewinnen.

Von KI-Bilderkennung zur Reaktion in Echtzeit

Auf der Computex 2026 zeigte IEI, wie dieser Ansatz über die reine visuelle Erkennung hinausgehen kann. In einer AMR-Anwendung kombinierte ein Edge-System vom Typ TANK-XM813 das Management mobiler Cobots mit einer KI-basierten Erkennung von Personen im Arbeitsbereich über IEIs iVEC-Plattform. Mithilfe von Intel® OpenVINO™ analysierte das System Kamerabilder lokal und löste eine Stoppreaktion aus, sobald eine Person den Betriebsbereich betrat.

Interessant ist dabei weniger die einzelne Hardware als die Verbindung von Wahrnehmung und Reaktion. KI-Inferenz und das Management der mobilen Cobots liefen auf einer gemeinsamen Edge-Plattform statt auf getrennten Systemen. Die Demonstration zeigt damit, wie Edge AI über das Erkennen eines Ereignisses hinausgehen und Teil einer unmittelbaren betrieblichen Reaktion werden kann.

Auch dieses Beispiel unterstreicht, dass Edge AI mehr als Hardware braucht. Für IEI gehören dazu skalierbares Edge Computing, Virtualisierung, Networking, Cybersecurity, Unterstützung für KI-Frameworks, zentrales Management und Systemvalidierung sowie Plattformvarianten für unterschiedliche Einsatzbedingungen. Erst diese Kombination entscheidet darüber, ob eine Anwendung nach dem Pilotprojekt dauerhaft im Alltag betrieben werden kann.

Ein herausfordernder Markt

Das Gespräch macht deutlich, dass Europa hohe Anforderungen an die Einsatzreife stellt. Europäische Kunden verlangen Stabilität, lange Verfügbarkeit, Dokumentation, Security und zunehmend Nachweise entlang regulatorischer Anforderungen. Lee nennt unter anderem den Cyber Resilience Act und IEC 62443. Das erhöht den Aufwand für Hersteller, kann aber auch zum Wettbewerbsvorteil werden.

Denn solche Anforderungen verschieben den Maßstab: Anbieter, die nur über den Preis kommen, geraten unter Druck, wenn Kunden Nachweise, Prozesse und langfristige Sicherheit verlangen. Das gilt besonders in kritischer Infrastruktur, Bahn, Marine, Energieversorgung oder industriellen Netzwerken. Dort reicht es nicht, dass ein System heute funktioniert. Es muss über Jahre betreibbar bleiben und sicher aktualisiert werden können.

Networking gehört zu den Kernbereichen von IEI und ergänzt das Edge-AI- und Medizintechnikportfolio. Die Networking- und Edge-Plattformen richten sich an Anwendungen, die sichere Datenübertragung, lokale Verarbeitung, hohe Verfügbarkeit und zentrales Management benötigen. Für Lee wachsen Edge AI und Networking zunehmend zusammen: Daten müssen lokal verarbeitet werden können, während die Systeme gleichzeitig über ihren gesamten Einsatzzeitraum sicher vernetzt, verwaltbar und geschützt bleiben. Gerade in Europa beobachtet er eine spürbare Nachfrage nach sicheren Netzwerkumgebungen und lokaler Verarbeitung.

Wenn Edge KI ohne großes IT-Team funktionieren muss

Viele Unternehmen wollen digitalisieren, haben aber keine großen internen IT-Teams. In Deutschland betrifft das nicht nur kleine Betriebe. Auch mittelständische Maschinenbauer, EMS-Dienstleister oder Zulieferer betreiben komplexe Anlagen, ohne für jedes Edge-Projekt Spezialisten für KI, IT, Security und Virtualisierung bereitzustellen.

Deshalb zählt Lee zentrale Managementfunktionen zur Strategie von IEI. Systeme sollen nicht nur Rechenleistung bereitstellen, sondern auch ihren Status melden, Ressourcen sichtbar machen und Workloads entsprechend zuweisen. Wenn Edge AI in größerem Maßstab funktionieren soll, darf sie nicht nur für Unternehmen mit großen IT-Abteilungen beherrschbar sein.

Genau hier scheitern viele Digitalisierungsprojekte: am Übergang von Pilotanlage zu stabilem Betrieb. Wer wartet das System? Wer aktualisiert es? Wer erkennt Ausfälle? Wer sorgt dafür, dass die Anwendung auf der richtigen Hardware läuft? IEI versucht, diese Lücke über vorintegrierte Systeme, Virtualisierung, zentrale Verwaltung und lokale Unterstützung zu verkleinern.

Lieferkettenresilienz ist nicht mehr nur Einkaufsthema

Industrielle Edge KI hängt an Prozessoren, Speicher, SSDs, Netzwerktechnik, Gehäusen, Kühlung und Energieverbrauch – und damit an denselben Lieferketten, die der Elektronikbranche seit Jahren Probleme bereiten. Lee spricht offen über Engpässe bei Speicher, SSDs, Flash und inzwischen auch CPUs. IEI begegnet diesen Herausforderungen mit engen Beziehungen zu strategischen Technologiepartnern und mit der Möglichkeit, bei Bedarf alternative Komponenten und Systemkonfigurationen durch eigene Entwicklungs- und Validierungskapazitäten zu qualifizieren.

Auch die alte Lean-Logik relativiert Lee. Früher habe man niedrige Lagerbestände für optimal gehalten. Heute brauche man wieder ausreichende Bestände, sagt er, „um durch den Winter zu kommen“. Das Bild ist schlicht, aber treffend, denn für Kunden ist weniger entscheidend, ob ein Anbieter jede Preiswelle abfedern kann. Entscheidend ist, ob er liefern kann und ob Änderungen validiert werden, bevor sie in ein industrielles System wandern.

Energie und Temperatur werden Teil der Edge-Rechnung

Ein Punkt, der fast nebenbei fällt, aber gut zur aktuellen Industrie passt: Edge-Systeme müssen leistungsfähiger werden sowie mit höheren Umgebungstemperaturen und steigenden Energiekosten umgehen. Lee beschreibt, dass Geräte früher häufig für 40 oder 45 °C ausgelegt wurden. Heute müsse man in manchen Fällen eher Richtung 50 oder 55 °C denken.

Steigende Umgebungstemperaturen, dichter gepackte Schaltschränke und höhere Rechenleistung verschärfen die Anforderungen an Kühlung und Energieeffizienz. IEI sieht darin auch einen Grund, mehrere Funktionen auf leistungsfähigeren Plattformen zu konsolidieren. Wenn fünf einzelne Rechner durch ein System ersetzt werden können, sinkt nicht nur der Platzbedarf. Auch Wartung, Komplexität und im besten Fall der Energieverbrauch lassen sich reduzieren. Das ist keine pauschale Regel, aber ein wichtiger Ansatzpunkt für industrielle Edge-Projekte.

Lokale Präsenz bleibt ein Faktor

Bei aller Technik bleibt ein einfacher Punkt: Europäische Kunden wollen Ansprechpartner. Nicht nur Datenblätter, Lieferzeiten oder ein Support-Ticket in einer anderen Zeitzone. Gerade bei komplexeren Edge- und Networking-Projekten zählt Nähe. IEI unterhält deshalb ein lokales Büro in Willich bei Düsseldorf. Ursprünglich lag der Schwerpunkt stärker auf Logistik, inzwischen übernimmt der Standort auch Support, Schulungen und lokale Kommunikation. Nach Lees Angaben kommen außerdem regelmäßig Produktmarketing- und Engineering-Teams nach Europa, um interne Teams, Distributoren und Kunden zu unterstützen. Lee spricht zudem über Pläne für weitere europäische Märkte.

Das ist relevant, weil der Einsatz von Edge-AI-, Networking- oder Medizintechnikplattformen mehr umfasst als die Auswahl eines Stücks Hardware. Gefragt sind Plattformauswahl, Integration, Anpassung, Validierung, Lifecycle-Management und lokaler technischer Support. Für europäische Kunden kann lokale Präsenz deshalb wichtig sein – gerade wenn geopolitische Unsicherheit, Lieferkettenprobleme und Sicherheitsanforderungen ohnehin schon genug Komplexität in ein Projekt bringen.

Edge KI muss in die bestehende Industrie passen

Am Ende läuft das Gespräch mit Y.T. Lee auf eine einfache, aber wichtige Erkenntnis hinaus: Industrial Edge KI setzt sich nicht durch, weil sie modern klingt. Sie setzt sich durch, wenn sie bestehende Probleme löst. Dazu gehört Rechenleistung, klar. Aber eben nicht nur. Edge-KI muss alte Software weitertragen, Daten lokal verarbeiten, regulatorische Anforderungen erfüllen und über lange Lebenszyklen betreibbar bleiben – auch in warmen Schaltschränken, mit knappen Komponenten und begrenzten IT-Ressourcen.

Oder etwas flapsiger gesagt: Industrial Edge KI muss auch Windows XP verstehen.

Das ist kein Rückschritt, sondern die Realität in vielen Fabriken. Wer sie ignoriert, baut vielleicht beeindruckende Demos. Wer sie ernst nimmt, hat die Chance, aus Edge KI ein Werkzeug zu machen, das im industriellen Alltag tatsächlich ankommt. (sb)

(ID:50891129)