Vier Bausteine für sichere, leistungsfähige und intelligente Embedded Systems

Heute steuern sie Autos, Fabriken, Energieanlagen und Netzwerke – sie sehen, lernen, entscheiden und koordinieren. Kurz: Sie werden zunehmend intelligent. Vor allem KI, genauer gesagt „Hybrid AI“, verändert grundlegend, wie Embedded Systems entwickelt werden.

Unternehmen nahezu aller Branchen bereiten sich darauf vor, KI zu nutzen, um das damit verbundene Potenzial zu heben. Laut dem Capgemini Engineering R&D Pulse 2026 erwarten über 75 % der Führungskräfte, dass KI die Produktivität, Time‑to‑Market und Kosteneffizienz um 20–50 % steigern wird; 84 % planen, ihre Investitionen zu erhöhen.

Doch Embedded Systems müssen, wie der Name schon sagt, auch richtig eingebettet werden. Ihre volle Leistungsfähigkeit entfalten sie nur, wenn verschiedene KI‑Ansätze kombiniert werden. Dazu zählen deterministische Logik, symbolisches Reasoning, Subgraphen großer Knowledge Graphs oder optimierte Machine‑Learning‑Modelle, ergänzt durch ein Sprachmodell.

Zudem sind die Daten, die diese Intelligenz ermöglichen, in der Regel sensibel: Produktionsparameter, Maschinenverhalten, Nutzungsprofile oder betriebliches Know‑how. Solche Informationen können selten frei geteilt werden. Regulierung, IP‑Schutz und Kundenvertrauen machen Datenschutz daher über die technische Implementierung von Embedded Systems hinaus zu einem strategischen Vorstandsthema.

Lokale Intelligenz für Präzision, Qualität und Verlässlichkeit

Der Wandel hin zu ganzheitlichen, intelligenten Lösungen kann beschrieben werden als „Augmented Engineering“. Im Zentrum steht dabei Hybrid AI – die Verbindung von Gen AI mit weiteren KI‑Methoden sowie wissenschaftlichen und ingenieurtechnischen Modellen. Hybrid AI ermöglicht Ergebnisse, die in kritischen Umgebungen die notwendige Präzision, Qualität und Verlässlichkeit bieten.

Jedes Embedded System lässt sich als „lokaler Co‑Pilot“ verstehen, am Rand der betrieblichen Infrastruktur. Dieser Co‑Pilot erkennt Signale, versteht den Kontext und arbeitet mit einer gesamten Flotte von Co‑Piloten zusammen, um sich kontinuierlich zu verbessern.

Ein solcher „Hybrid‑AI‑Stack“ auf jedem relevanten Prozessknoten kann folgende Elemente beinhalten:

• deterministische Logik zur Einhaltung von Sicherheitsgrenzen und für Basissteuerungen
• optimierte ML‑Modelle zur Vorhersage von Anomalien, Qualität oder Nachfrage
• Subgraphen eines übergeordneten Knowledge Graphs, um Abhängigkeiten zwischen Maschinen, Bauteilen, Produkten, Lieferanten oder Ereignissen abzubilden
• symbolische Regeln, die Fachwissen und Compliance kodieren
• ein Gen-AI‑Modell, das komplexe Muster in verständliche Sprache für Anwender übersetzt

So lernt jedes Gerät direkt aus Echtzeitdaten des gesamten Hybrid-AI-Stacks und trägt wiederum zum Gesamtsystem bei, ohne dass Rohdaten das Gerät verlassen müssen.

Wie lassen sich nun intelligente Embedded Systems entwickeln, die gleichzeitig leistungsfähig und vertrauenswürdig sind? Konkret gelingt das durch vier technologische Bausteine:

(1) Federated Learning

(2) Secure Multi‑Party Computation (MPC)

(3) Trusted Execution Environments (TEEs) und

(4) Lightweight Cryptography

Federated Learning und Multi‑Party Computation: Lernen ohne Rohdaten zu teilen

Anstatt Daten zentral hochzuladen, ermöglicht Federated Learning (FL) lokales Training auf jedem Gerät. Nur die Modell‑Updates werden gesichert an einen zentralen Dienst übermittelt. Durch die Aggregation dieser Updates verbessert sich das globale Modell und wird anschließend wieder an alle Geräte verteilt.

Damit diese Updates privat bleiben, kommt MPC‑basierte Secure Aggregation zum Einsatz. Jedes Gerät verschleiert seine Aktualisierung mit einer individuellen Rauschmaske. Einzelne Updates sind dadurch nicht lesbar – erst die Aggregation hebt die Masken gegenseitig auf. Für den Server bleibt sichtbar, was wirklich zählt: das Gesamtmodell, nicht der Beitrag einzelner Geräte. Da vor allem symmetrische Kryptografie verwendet wird, eignet sich dieser Ansatz hervorragend auch für weniger leistungsstarke Hardware oder Software.

Mehr Vertrauen durch TEEs und Lightweight Cryptography

Die Sicherheit lässt sich weiter erhöhen, indem Trusted Execution Environments (TEEs) genutzt werden: geschützte Hardwarebereiche innerhalb von Serverprozessoren. Geräte können mit der Methode „Remote Attestation“ prüfen, ob sie tatsächlich mit einem echten, unveränderten TEE kommunizieren, bevor sie verschlüsselte Updates übertragen. Innerhalb dieser Enklave laufen alle Prozesse sicher ab.

Zusätzlich lassen sich mit „Lightweight Cryptography“ die Modelle selbst schützen:

• Globale Modelle und Regelsets werden vertrauenswürdig signiert und vor dem Einsatz verifiziert
• Modelle bleiben verschlüsselt und authentifiziert gespeichert
• Ausgaben enthalten kryptografisch gebundene Informationen zu Modell‑ und Policy‑Versionen

So lassen sich Fragen wie „Kommt diese Empfehlung garantiert von einem zertifizierten Sender mit genehmigtem Modell und gültiger Policy?“ belastbar und ohne hohe Rechenlast beantworten.

Gemeinsam verwandeln diese vier Bausteine eine Geräteflotte in ein „Distributed Learning Ecosystem“: Jeder Knoten passt sich lokal an, alle entwickeln sich global weiter – und sensible Daten bleiben dort, wo sie hingehören.

Innovation beschleunigen ohne Vertrauen zu gefährden

Für Hersteller, Energieversorger, Mobilitätsunternehmen, Telekommunikationsanbieter und Betreiber kritischer Infrastrukturen ergibt sich intelligenten Embedded Systems eine strategische Chance: Sie können intelligente Modelle über Standorte und Flotten hinweg ausrollen und gleichzeitig sicherstellen, dass Daten im Fahrzeug, in der Anlage oder im lokalen Netz verbleiben.

Das Ergebnis: höhere Qualität, mehr Resilienz, bessere Transparenz und regulatorische Sicherheit. Unternehmen können so Innovation beschleunigen, ohne Vertrauen aufs Spiel zu setzen.

Co-Autor Dr. Nico Wolf

embedded world 2026 – Treffen Sie unsere Experten

10.-12. März 2026 in Nürnberg | Halle 4, Stand 4-508

Mehr erfahren

Engineering and R&D Pulse 2026

Steigender Kostendruck, längere Entwicklungszyklen und globale Störungen belasten die Branchen. Engineering- und F&E-Verantwortliche – von Luft- und Raumfahrt über Automotive bis hin zu Energie und Life Sciences – sehen sich heute nie dagewesenen Herausforderungen gegenüber.

Mehr erfahren