Edge-KI für die Verteidigung

Edge-KI führt Machine-Learning-Inferenz direkt auf taktischen Geräten aus — Drohnen, Sensoren, Fahrzeugen, Handgeräten — anstatt Daten an Cloud-Server zu senden, was autonome Entscheidungen unter umstrittener oder verweigerter Konnektivität ermöglicht.

Edge-KI bietet Millisekunden-Latenz, arbeitet unter DDIL-Bedingungen (denied/disrupted/intermittent/limited), reduziert Bandbreitenanforderungen, wahrt die operative Sicherheit durch lokale Daten und funktioniert weiter, wenn Satelliten- oder Netzwerkverbindungen verloren gehen.

Verbreitete Plattformen sind NVIDIA Jetson Orin/AGX, Google Coral TPU, Intel Movidius, AMD Versal und kundenspezifische MIL-STD-gehärtete Boards. Die Auswahl hängt von der Inferenzlast, dem Energiebudget, Umweltbeschränkungen und SWaP-Grenzen (Size, Weight, and Power) ab.

Federated Learning trainiert ein gemeinsames KI-Modell über viele Edge-Geräte ohne Zentralisierung der Rohdaten — Geräte senden nur Modellaktualisierungen. Dies bewahrt die operative Sicherheit und ermöglicht kontinuierliche Verbesserung aus im Feld gesammelten Daten.

Militärische Objekterkennungsaufgaben verwenden häufig YOLO-Varianten (YOLOv8, YOLOv9) für ihren Echtzeit-Durchsatz auf Edge-Hardware, RT-DETR für höhere Genauigkeit bei schwierigen Zielen und BYTETrack oder StrongSORT für die Multi-Objekt-Verfolgung über Videoframes. Modelle werden typischerweise auf domänenspezifischen Datensätzen feinjustiert — militärische Fahrzeugklassen, Tarnmuster, EO/IR-Bilder — und für die Zielhardware mit INT8-Quantisierung optimiert.

INT8-Quantisierung konvertiert Gewichte und Aktivierungen eines Modells von Gleitkomma (FP32 oder FP16) zu 8-Bit-Ganzzahlen, wodurch die Modellgröße um den Faktor 4 reduziert und der Inferenzdurchsatz auf Hardware mit dedizierten INT8-Beschleunigern (NVIDIA Jetson, Hailo) um das 2-4-Fache gesteigert wird. Der Kompromiss ist eine geringe Genauigkeitsreduktion. Für taktische Einsätze an der Einsatzkante, wo SWaP- und Latenzeinschränkungen hart sind, ist INT8 typischerweise obligatorisch.

Die Sensor-Schütze-Schleife (F2T2EA: Finden, Fixieren, Verfolgen, Zielen, Einwirken, Bewerten) ist der End-to-End-Prozess von der Zielerkennung bis zur Wirkungserzielung. KI komprimiert diese Schleife: automatische Zielerkennung (Finden/Fixieren), Multi-Sensor-Spurenfusion (Verfolgen), KI-gestützte Zielempfehlungen (Zielen). Ein Mensch in der Schleife bleibt beim Einwirken gemäß internationalem humanitärem Recht obligatorisch.

In GPS-verneinten Umgebungen nutzen Edge-KI-Systeme Trägheitsnavigation (IMU), visuelle Odometrie, geländebezogene Navigation und Sensorfusion, um Positionsbewusstsein ohne Satellitensignale aufrechtzuerhalten. In kommunikationsverneinten Umgebungen läuft die Inferenz vollständig auf dem Gerät — ohne externe API-Aufrufe. Taktische Edge-KI-Systeme werden mit allen vorinstallierten Modellen bereitgestellt.

Synthetische Daten — 3D-gerenderte Bilder, simulierte Sensorausgaben und prozedurale Szenarien — werden zum Training von Verteidigungs-KI-Modellen genutzt, wenn echte operative Daten klassifiziert, selten oder zu gefährlich zu sammeln sind. Simulationsmaschinen generieren fotorealistische Trainingssets militärischer Fahrzeuge, Personal und Gelände unter variierenden Beleuchtungs-, Wetter- und Tarnbedingungen.

Corvus Intelligence entwirft, optimiert und implementiert Machine-Learning-Inferenz-Pipelines für NATO-Kräfte an der taktischen Einsatzkante. Dienstleistungen umfassen: Modellauswahl und Feinabstimmung auf militärische Datensätze, hardwarespezifische Optimierung (INT8, TensorRT, ONNX), Integration in ATAK-Plugins und C2-Systeme, robuste Bereitstellung auf Jetson-, Hailo- und x86-Edge-Plattformen sowie Edge-KI-Pipeline-Engineering für UAV und Bodenfahrzeuge.

Föderiertes Lernen ermöglicht mehreren Edge-Knoten — Drohnen, Fahrzeugen, vorwärts stationierten Basen — die gemeinsame Verbesserung eines geteilten KI-Modells, ohne rohe Trainingsdaten vom Gerät zu übertragen. Jeder Knoten trainiert auf lokalen Daten und teilt nur Modellgewichtsaktualisierungen (Gradienten), die auf einem zentralen Server aggregiert werden. In der Verteidigung bewahrt dies die operative Sicherheit, indem sensible Sensordaten lokal gehalten werden, während das Modell dennoch aus verteilten Felderfahrungen lernen kann.

Synthetische Daten — 3D-gerenderte Bilder, simulierte Sensorausgaben und prozedural generierte Szenarien — werden zum Training von Verteidigungs-KI-Modellen eingesetzt, wenn echte operative Daten klassifiziert, rar oder zu gefährlich zum Erfassen sind. Simulationsmaschinen generieren fotorealistische Trainingssets militärischer Fahrzeuge, Personal und Gelände unter variierenden Beleuchtungs-, Wetter- und Tarnbedingungen. Das synthetische Vortraining wird dann mit kleinen Mengen realer (oft klassifizierter) operativer Daten mittels Transfer-Learning verfeinert.