gRPC 2026: Vorteile und Best Practices für APIs

Edge AI revolutioniert die Datenverarbeitung, indem sie intelligente Entscheidungen näher an die Datenquelle verlagert und damit Latenzzeiten minimiert sowie Datenschutz maximiert.

Dieser Bericht analysiert die technologischen Grundlagen, Architekturen und Herausforderungen von Edge AI. Wir beleuchten praktische Anwendungsfälle und vergleichen Edge AI mit traditionellen Cloud-Lösungen, um ein umfassendes Bild dieser transformativen Technologie zu zeichnen.

Einführung in Edge AI – Warum die Dezentralisierung zählt

In einer zunehmend vernetzten Welt, in der Milliarden von Geräten kontinuierlich Daten generieren, stößt die traditionelle Cloud-basierte Verarbeitung an ihre Grenzen. Hier setzt Edge AI an: Sie verlagert die Intelligenz – also die Ausführung von KI-Modellen – direkt an den Entstehungsort der Daten, oft am „Rand“ (Edge) des Netzwerks. Dies umfasst Geräte wie Sensoren, Kameras, Smartphones, Fahrzeuge oder industrielle Maschinen, die in der Lage sind, Daten lokal zu verarbeiten und Entscheidungen in Echtzeit zu treffen.

Der Haupttreiber für diesen Paradigmenwechsel ist die Notwendigkeit, Latenzzeiten zu minimieren, die Bandbreitennutzung zu optimieren und den Datenschutz zu verbessern. Wenn beispielsweise ein autonomes Fahrzeug in Millisekunden auf eine kritische Verkehrssituation reagieren muss, ist das Senden von Daten an eine entfernte Cloud, deren Verarbeitung und das Zurücksenden eines Befehls schlichtweg zu langsam. Edge AI ermöglicht es, solche kritischen Entscheidungen direkt am Gerät zu fällen, was die Reaktionsfähigkeit und Sicherheit drastisch erhöht.

Der zentrale Vorteil von Edge AI liegt in der unmittelbaren Verarbeitung von Daten am Entstehungsort, was kritische Echtzeitanwendungen erst ermöglicht.

Abgrenzung zur Cloud AI

Während Cloud AI-Systeme ihre Stärken in der Verarbeitung großer, komplexer Datensätze für Training und globale Analysen haben, konzentriert sich Edge AI auf die Inferenz (die Anwendung eines trainierten Modells) in dezentralen Umgebungen. Cloud-Lösungen bieten nahezu unbegrenzte Rechenressourcen und sind ideal für das Training von umfangreichen neuronalen Netzen, die oft immense Datenmengen und hohe Rechenleistung erfordern. Einmal trainiert, können diese Modelle jedoch für den Einsatz am Edge optimiert und komprimiert werden.

Die Komplementarität beider Ansätze ist entscheidend: Die Cloud dient als mächtiges Backend für das Modelltraining und die zentrale Verwaltung, während das Edge die schnelle, lokale Ausführung und Datenerfassung übernimmt. Dies führt zu hybriden Architekturen, die die Vorteile beider Welten nutzen.

Kernvorteile der Dezentralisierung

Die Verlagerung der Intelligenz an den Netzwerkrand bringt eine Reihe von handfesten Vorteilen mit sich:

• Geringere Latenz: Entscheidungen werden in Echtzeit getroffen, da die Daten nicht erst zu einem zentralen Server transportiert werden müssen. Dies ist entscheidend für kritische Anwendungen wie autonome Systeme oder Industrieautomatisierung.
• Erhöhter Datenschutz und Sicherheit: Sensible Daten können lokal verarbeitet und anonymisiert werden, bevor sie potenziell an die Cloud gesendet werden. Dies reduziert das Risiko von Datenlecks und vereinfacht die Einhaltung von Datenschutzbestimmungen wie der DSGVO.
• Optimierte Bandbreitennutzung: Nur relevante oder aggregierte Daten werden an die Cloud gesendet, was den Datenverkehr und damit die Kosten für die Datenübertragung erheblich reduziert. Schätzungen zufolge können bis zu 90% der Rohdaten am Edge verworfen werden.
• Verbesserte Zuverlässigkeit: Edge-Geräte können auch bei Unterbrechungen der Cloud-Konnektivität weiterhin autonom funktionieren, was die Robustheit des Gesamtsystems erhöht.
• Skalierbarkeit und Kostenreduktion: Durch die Verteilung der Rechenlast auf viele Edge-Geräte können zentrale Cloud-Ressourcen entlastet und Betriebskosten gesenkt werden, insbesondere bei großen Geräteflotten.

Architekturen und Implementierung von Edge AI Systemen

Die Implementierung von Edge AI ist vielfältig und hängt stark vom jeweiligen Anwendungsfall ab. Generell umfassen Edge AI-Architekturen spezialisierte Hardware, optimierte Software-Frameworks und ein durchdachtes Datenmanagement. Die Komplexität reicht von einfachen Sensoren mit integrierten ML-Chips bis hin zu leistungsstarken Edge-Servern, die komplexe neuronale Netze ausführen können.

Erfolgreiche Edge AI-Implementierungen basieren auf einer intelligenten Kombination aus spezialisierter Hardware, optimierten Software-Frameworks und effizientem Datenmanagement.

Gängige Architekturen

Es gibt verschiedene Modelle für die Anordnung von Edge AI-Komponenten:

• Sensor-to-Edge: Hier führt der Sensor selbst oder ein direkt angeschlossener Mikrocontroller die KI-Inferenz durch. Beispiele sind Smart-Home-Geräte oder Wearables.
• Edge-Gateway-Architektur: Mehrere Sensoren oder Geräte senden ihre Daten an ein zentrales Edge-Gateway. Dieses Gateway konsolidiert, verarbeitet und führt die KI-Inferenz aus, bevor es aggregierte Ergebnisse an die Cloud sendet. Dies ist typisch für industrielle IoT-Anwendungen.
• Hybrid Edge-Cloud: Eine Kombination, bei der ein Teil der Verarbeitung am Edge erfolgt und komplexere Aufgaben oder das Modelltraining in die Cloud ausgelagert werden. Dies ist die häufigste und flexibelste Architektur.

Hardware-Aspekte

Die Leistungsfähigkeit von Edge AI hängt maßgeblich von der zugrundeliegenden Hardware ab. Da Edge-Geräte oft energieeffizient und kompakt sein müssen, kommen spezielle Prozessoren zum Einsatz:

• NPUs (Neural Processing Units): Speziell für die Beschleunigung neuronaler Netzwerke entwickelte Chips, die eine hohe Leistung bei geringem Stromverbrauch bieten.
• GPUs (Graphics Processing Units): Insbesondere in leistungsstärkeren Edge-Servern oder Fahrzeugen kommen kompakte GPUs zum Einsatz, die parallele Berechnungen effizient durchführen können.
• FPGAs (Field-Programmable Gate Arrays): Bieten hohe Flexibilität und können für spezifische KI-Workloads maßgeschneidert werden, oft in industriellen Anwendungen.
• ASICs (Application-Specific Integrated Circuits): Maßgeschneiderte Chips für sehr spezifische Aufgaben, die höchste Effizienz und Leistung bei Massenproduktion ermöglichen.

Software-Frameworks und Modelloptimierung

Nachdem ein KI-Modell (z.B. mit TensorFlow oder PyTorch) in der Cloud trainiert wurde, muss es für den Einsatz am Edge optimiert werden. Dies beinhaltet oft Techniken wie Quantisierung, Pruning oder Destillation, um die Modellgröße und den Rechenaufwand zu reduzieren, ohne die Genauigkeit signifikant zu beeinträchtigen.

Wichtige Frameworks für Edge AI sind:

• TensorFlow Lite: Eine leichtgewichtige Version von TensorFlow, die speziell für den Einsatz auf mobilen Geräten und IoT-Hardware entwickelt wurde.
• PyTorch Mobile: Bietet ähnliche Funktionen für PyTorch-Modelle, um sie auf Edge-Geräten auszuführen.
• OpenVINO (Open Visual Inference & Neural Network Optimization): Ein Toolkit von Intel zur Optimierung und Bereitstellung von KI-Inferenz auf Intel-Hardware.

Ein Beispiel für die Optimierung eines Modells für den Edge-Einsatz könnte die Quantisierung sein, bei der die Präzision der Modellgewichte von Gleitkommazahlen (z.B. 32-Bit) auf Ganzzahlen (z.B. 8-Bit) reduziert wird. Dies verringert die Modellgröße und beschleunigt die Inferenz auf ressourcenbeschränkter Hardware.

Code-Erklärung: Das folgende Python-Beispiel zeigt, wie ein vortrainiertes TensorFlow-Modell mit TensorFlow Lite in ein quantisiertes Format konvertiert wird, das für Edge-Geräte optimiert ist.

import tensorflow as tf

# Beispiel: Ein vortrainiertes Keras-Modell laden
# Hier verwenden wir ein sehr kleines Modell für Demonstrationszwecke
model = tf.keras.applications.MobileNetV2(weights='imagenet', input_shape=(224, 224, 3), include_top=True)
model.summary()

# 1. Standard-Konvertierung zu TensorFlow Lite
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# Speichern des unquantisierten TFLite-Modells
with open('mobilenet_v2.tflite', 'wb') as f:
    f.write(tflite_model)
print("Unquantisiertes TFLite-Modell gespeichert: mobilenet_v2.tflite")

# 2. Konvertierung mit Post-Training Integer Quantisierung
# Dies reduziert die Modellgröße und beschleunigt die Inferenz auf Edge-Geräten
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]

# Für die Integer-Quantisierung ist ein Repräsentationsdatensatz erforderlich
# Dieser Datensatz wird verwendet, um den Bereich der Aktivierungen in jedem Layer zu kalibrieren
def representative_dataset_gen():
    # In einem realen Szenario würden Sie hier echte Eingabedaten verwenden
    # Beispiel: 100 zufällige Bilder der Größe (1, 224, 224, 3)
    for _ in range(100):
        data = tf.random.uniform(shape=(1, 224, 224, 3), minval=0, maxval=255, dtype=tf.float32)
        yield [data]

converter.representative_dataset = representative_dataset_gen
# Sicherstellen, dass die Ein- und Ausgaben auf Integer quantisiert sind
converter.target_spec.supported_ops = [tf.lite.OpsSet.TFLITE_BUILTINS_INT8]
converter.inference_input_type = tf.int8  # Optional: Spezifiziert den Eingabetyp
converter.inference_output_type = tf.int8 # Optional: Spezifiziert den Ausgabetyp

tflite_quant_model = converter.convert()

# Speichern des quantisierten TFLite-Modells
with open('mobilenet_v2_quant.tflite', 'wb') as f:
    f.write(tflite_quant_model)
print("Quantisiertes TFLite-Modell gespeichert: mobilenet_v2_quant.tflite")

# Vergleich der Dateigrößen (Beispielwerte)
# Die genaue Reduzierung hängt vom Modell ab
import os
unquant_size = os.path.getsize('mobilenet_v2.tflite') / (1024 * 1024)
quant_size = os.path.getsize('mobilenet_v2_quant.tflite') / (1024 * 1024)
print(f"Größe unquantisiertes Modell: {unquant_size:.2f} MB")
print(f"Größe quantisiertes Modell: {quant_size:.2f} MB")

Herausforderungen und Lösungsansätze bei Edge AI

Trotz der vielversprechenden Vorteile birgt die Implementierung von Edge AI auch spezifische Herausforderungen. Diese reichen von den inhärenten Beschränkungen der Edge-Hardware bis hin zu komplexen Fragen der Sicherheit und des Managements von dezentralen Systemen.

Die Überwindung der inhärenten Ressourcenbeschränkungen und die Sicherstellung der Datenintegrität sind entscheidend für den Erfolg von Edge AI.

Ressourcenbeschränkungen

Edge-Geräte verfügen typischerweise über deutlich weniger Rechenleistung, Speicher und Energie als Cloud-Server. Dies limitiert die Größe und Komplexität der KI-Modelle, die lokal ausgeführt werden können. Ein Mobiltelefon hat beispielsweise nur einen Bruchteil der Rechenkapazität eines Cloud-Rechenzentrums. Auch der Energieverbrauch ist ein kritischer Faktor, insbesondere bei batteriebetriebenen IoT-Geräten, bei denen jede Millijoule zählt.

Lösungsansätze umfassen die Entwicklung von „TinyML“-Modellen, die speziell für Mikrocontroller mit extrem geringem Ressourcenverbrauch konzipiert sind, sowie die Nutzung von Hardware-Beschleunigern wie NPUs, die effizient für KI-Workloads optimiert sind.

Modellkompression und -optimierung

Um die Ressourcenbeschränkungen zu überwinden, sind fortgeschrittene Techniken zur Modellkompression und -optimierung unerlässlich. Dazu gehören:

• Quantisierung: Reduzierung der numerischen Präzision von Modellgewichten und Aktivierungen (z.B. von 32-Bit-Float auf 8-Bit-Integer), um Speicherbedarf und Rechenzeit zu senken. Der im vorherigen Abschnitt gezeigte Code demonstriert dies.
• Pruning (Beschneidung): Entfernen von redundanten oder unwichtigen Verbindungen (Gewichten) in neuronalen Netzen, wodurch das Modell schlanker wird.
• Destillation: Ein großes, komplexes „Lehrermodell“ wird verwendet, um ein kleineres, effizienteres „Schülermodell“ zu trainieren, das die Leistung des Lehrers nachahmt.
• Architektursuche (NAS): Automatisierte Suche nach optimalen neuronalen Netzwerkarchitekturen, die speziell für Edge-Hardware konzipiert sind.

Sicherheit und Datenintegrität

Edge-Geräte sind oft physisch zugänglich und können daher leichter manipuliert werden als zentralisierte Cloud-Server. Dies birgt Risiken für die Integrität der Daten und die Sicherheit der KI-Modelle. Angriffe auf Edge-Geräte könnten zu falschen Inferenz-Ergebnissen, Datenlecks oder der Kompromittierung des gesamten Netzwerks führen. Zudem müssen Datenschutzbestimmungen auch am Edge eingehalten werden, insbesondere wenn personenbezogene Daten verarbeitet werden.

Gegenmaßnahmen umfassen Hardware-basierte Sicherheitsmechanismen (z.B. Trusted Platform Modules, Secure Enclaves), sichere Boot-Prozesse, Verschlüsselung von Daten im Ruhezustand und während der Übertragung sowie regelmäßige Software-Updates und Patch-Management. Föderiertes Lernen kann ebenfalls dazu beitragen, den Datenschutz zu verbessern, indem Modelle auf lokalen Daten trainiert und nur die Modell-Updates zentral aggregiert werden, ohne dass Rohdaten das Gerät verlassen.

Bereitstellung und Management im großen Maßstab

Die Verwaltung und Aktualisierung von Tausenden oder Millionen von Edge-Geräten kann eine enorme Herausforderung darstellen. Die Bereitstellung neuer Modelle, Software-Patches oder Konfigurationsänderungen erfordert robuste Over-the-Air (OTA)-Update-Mechanismen. Monitoring und Fehlerbehebung müssen ebenfalls dezentral und effizient erfolgen, oft ohne physischen Zugang zu den Geräten.

Lösungen hierfür sind spezialisierte Device-Management-Plattformen, die zentrale Steuerung und Überwachung ermöglichen, sowie Container-Technologien (z.B. Docker auf dem Edge), die eine konsistente Bereitstellung von Anwendungen über verschiedene Hardware-Plattformen hinweg gewährleisten.

Praktische Anwendungsfälle und Branchenimpulse

Edge AI ist nicht nur ein theoretisches Konzept, sondern findet bereits breite Anwendung in zahlreichen Branchen. Die Möglichkeit, intelligente Entscheidungen lokal und in Echtzeit zu treffen, eröffnet neue Geschäftsmodelle und verbessert bestehende Prozesse erheblich.

Von der Industrie 4.0 bis hin zu autonomen Fahrzeugen – Edge AI treibt Innovationen in Schlüsselindustrien voran und ermöglicht völlig neue Anwendungsfelder.

Industrielles IoT (IIoT)

In der Fertigungsindustrie ermöglicht Edge AI die vorausschauende Wartung von Maschinen, die Qualitätskontrolle in Echtzeit und die Optimierung von Produktionsprozessen. Sensoren an Maschinen sammeln Daten über Vibrationen, Temperaturen und Geräusche. Ein Edge AI-Modell kann Anomalien erkennen und vor drohenden Ausfällen warnen, noch bevor sie eintreten. Dies reduziert Ausfallzeiten und Wartungskosten erheblich. Ein Beispiel ist die Erkennung von fehlerhaften Produkten direkt am Fließband durch Bildverarbeitung, ohne dass die Bilder erst in die Cloud gesendet werden müssen.

Smart Cities

Edge AI spielt eine Schlüsselrolle bei der Entwicklung intelligenter Städte. Kameras mit integrierter KI können den Verkehrsfluss optimieren, indem sie Ampelschaltungen in Echtzeit anpassen. Sie können auch zur Erkennung von Gefahrensituationen oder zur Überwachung der öffentlichen Sicherheit eingesetzt werden, wobei die Bilddaten lokal verarbeitet und nur anonymisierte Metadaten an zentrale Systeme gesendet werden, um den Datenschutz zu wahren. Ein weiteres Beispiel ist die intelligente Abfallwirtschaft, bei der Sensoren den Füllstand von Mülleimern überwachen und optimierte Routen für die Müllabfuhr generieren.

Automotive

Im Bereich der autonomen Fahrzeuge und Advanced Driver-Assistance Systems (ADAS) ist Edge AI unverzichtbar. Fahrassistenzsysteme müssen in Millisekunden auf sich ändernde Straßenbedingungen, Fußgänger oder andere Fahrzeuge reagieren. Kameras, Radar- und Lidar-Sensoren generieren riesige Datenmengen, die direkt im Fahrzeug von Edge-Prozessoren verarbeitet werden, um Entscheidungen über Beschleunigung, Bremsen oder Lenken zu treffen. Die Echtzeit-Fähigkeit ist hier lebensentscheidend. Auch die Personalisierung des Fahrerlebnisses und die Überwachung des Fahrerzustands können durch Edge AI verbessert werden.

Gesundheitswesen

Wearables und medizinische Geräte am Körper können Vitaldaten wie Herzfrequenz, Blutsauerstoff oder Aktivitätslevel erfassen. Edge AI-Modelle auf diesen Geräten können Anomalien erkennen oder personalisierte Gesundheitsempfehlungen geben, ohne dass alle Rohdaten an die Cloud gesendet werden müssen. Dies schützt die Privatsphäre der Patienten und ermöglicht eine schnellere Reaktion auf kritische Gesundheitszustände. Auch in der Ferndiagnose und bei der Unterstützung von Ärzten in ländlichen Gebieten kann Edge AI einen wichtigen Beitrag leisten.

Die folgende Tabelle fasst einige der herausragendsten Anwendungsfälle für Edge AI zusammen, um die Bandbreite und den Impact dieser Technologie zu verdeutlichen:

Edge AI im Vergleich: Cloud, Fog und On-Device

Um die Rolle von Edge AI vollständig zu verstehen, ist es hilfreich, sie im Kontext anderer Verarbeitungsmodelle zu betrachten. Während Cloud Computing die zentrale Verarbeitung dominierte, haben sich mit der Zunahme von IoT-Geräten und Echtzeitanforderungen neue Paradigmen entwickelt.

Die Wahl zwischen Cloud, Fog und Edge hängt von den spezifischen Anforderungen an Latenz, Bandbreite und Rechenleistung ab.

Cloud Computing

Die Cloud repräsentiert das traditionelle Modell der zentralisierten Datenverarbeitung. Riesige Rechenzentren bieten nahezu unbegrenzte Skalierbarkeit, Speicher und Rechenleistung. Sie sind ideal für das Training komplexer KI-Modelle, Big-Data-Analysen und globale Datensynchronisation. Die Nachteile liegen in potenziell hohen Latenzzeiten, da Daten weite Strecken zurücklegen müssen, und in den Kosten für Bandbreite und Datenspeicherung.

Fog Computing

Fog Computing, oft als „Mini-Cloud“ näher am Edge beschrieben, agiert als Zwischenschicht zwischen dem Edge und der Cloud. Fog-Knoten (z.B. Router, Switches, industrielle PCs) sammeln Daten von mehreren Edge-Geräten, führen eine erste Aggregation und Verarbeitung durch und leiten relevante Informationen an die Cloud weiter. Es reduziert die Latenz im Vergleich zur reinen Cloud, hat aber immer noch eine gewisse Entfernung zu den Endgeräten. Fog Computing ist besonders nützlich für lokale Datenaggregation und -filterung in größeren Netzwerken.

On-Device / Edge Computing

Edge Computing, insbesondere „On-Device AI“, findet direkt auf dem Endgerät statt, das die Daten erzeugt. Dies bietet die niedrigste Latenz, maximale Privatsphäre und minimale Bandbreitennutzung. Die Herausforderung besteht in den begrenzten Ressourcen der Geräte, was den Einsatz von optimierten und komprimierten KI-Modellen erfordert. Es ist ideal für kritische Echtzeitanwendungen, bei denen jede Millisekunde zählt, oder für Szenarien mit strengen Datenschutzanforderungen.

Die folgende Vergleichstabelle bietet einen Überblick über die charakteristischen Merkmale und Anwendungsbereiche dieser drei Architekturen:

Zukunftsaussichten und ethische Überlegungen

Die Entwicklung von Edge AI steht noch am Anfang, aber das Potenzial ist immens. Die Verschmelzung von KI mit den physischen Geräten am Rande des Netzwerks wird unsere Interaktion mit Technologie und unsere Umwelt grundlegend verändern. Doch mit diesen technologischen Fortschritten gehen auch wichtige ethische und gesellschaftliche Fragen einher, die wir proaktiv adressieren müssen.

Die Zukunft von Edge AI wird maßgeblich von technologischen Innovationen wie TinyML und federiertem Lernen sowie von einem verantwortungsvollen Umgang mit ethischen Herausforderungen geprägt sein.

Aktuelle Trends und Entwicklungen

• TinyML: Dieser Bereich konzentriert sich auf die Ausführung von Machine-Learning-Modellen auf extrem ressourcenbeschränkten Mikrocontrollern mit Leistungsaufnahmen im Milliwatt-Bereich. Dies ermöglicht intelligente Funktionen in Geräten, die zuvor undenkbar waren, wie z.B. intelligente Sensoren für die Landwirtschaft oder die Umgebungsüberwachung.
• Föderiertes Lernen: Ein Ansatz, bei dem KI-Modelle auf dezentralen Datensätzen trainiert werden, die lokal auf Edge-Geräten verbleiben. Nur die Modell-Updates (Gewichtsänderungen) werden an einen zentralen Server gesendet und aggregiert. Dies verbessert den Datenschutz erheblich, da Rohdaten niemals das Gerät verlassen müssen. Große Tech-Unternehmen wie Google nutzen dies bereits für Tastaturvorhersagen auf Smartphones.
• Hardware-Innovationen: Die Entwicklung immer leistungsfähigerer und energieeffizienterer Edge-AI-Chips (NPUs, ASICs) schreitet rasant voran. Diese Chips werden immer kompakter und können komplexere Modelle direkt am Gerät ausführen.
• Edge-Orchestrierung: Mit der Zunahme von Edge-Geräten werden fortschrittliche Tools für das Management, die Bereitstellung und die Überwachung von KI-Modellen am Edge immer wichtiger.

Ethische und regulatorische Aspekte

Die dezentrale Natur von Edge AI wirft auch neue Fragen in Bezug auf Ethik und Regulierung auf:

• Datenschutz und Privatsphäre: Obwohl Edge AI das Potenzial hat, den Datenschutz zu verbessern, indem Daten lokal verarbeitet werden, muss sichergestellt werden, dass die gesammelten Daten nicht missbraucht werden. Die genaue Definition, welche Daten wann und wie lange auf dem Gerät verbleiben dürfen, ist entscheidend.
• Bias und Fairness: Wenn KI-Modelle am Edge eingesetzt werden, die mit verzerrten Daten trainiert wurden, können sie diskriminierende Entscheidungen treffen. Die Überwachung und Validierung von Modellen muss auch im dezentralen Kontext gewährleistet sein.
• Verantwortlichkeit: Wer ist verantwortlich, wenn ein autonomes Edge AI-System einen Fehler macht? Die komplexen Lieferketten und die verteilte Natur von Edge AI erschweren die Zuweisung von Verantwortung.
• Sicherheit und Manipulation: Die physische Zugänglichkeit von Edge-Geräten erhöht das Risiko von Manipulationen. Robuste Sicherheitsmaßnahmen sind unerlässlich, um die Integrität der Systeme zu gewährleisten.