Die heutige Künstliche Intelligenz ist technologieorientiert, datenintensiv und ressourcenaggressiv. Heutige Anwendungen der KI-Technologie in der Industrie umfassen zentralisierte, Edge- und Cloud-basierte Back-End-AI mit sehr ressourcenintensiven algorithmischen Strategien für Maschinelles Lernen (Rechenleistung, Speicher, Energie), massiven ökologischen Auswirkungen (Treibhausgasemissionen) für Modelltraining und -inferenz und komplizierter Sammlung, Erzeugung und Handhabung riesiger Trainingsdatensätze. Jüngste Fortschritte in der konversationellen generativen AI (OpenAI GPT-4, Bard, LaMDA, Bedrock, usw.) haben gezeigt, dass die Anwendung von AI die Umwelt erheblich beeinträchtigen kann.

Unter dem Titel Streaming AI soll die gezielte Weiterentwicklung einer KI für industrielle Anwendungen vorangetrieben werden. Im Gegensatz zur konventionellen (i) vortrainierten, (ii) ganzheitlichen und (iii) ressourcenintensiven KI wird versucht, die KI-Technologie und -Methodik mit der Realität der digitalen Transformation in der Industrie in Einklang zu bringen, indem sie (i) Streaming Machine Learning Methoden, d. h. das Training von Modellen während des Betriebs, einführt und so die Notwendigkeit von Massen-Trainingsdaten vermeiden, und mit (ii) On-Device Machine Learning Methoden für KI Föderationen über verschiedene Fertigungsanlagen, Maschinen, Prozesse und Geräte verteilt verbinden.