Produktionsumgebungen wie Fertigungsstraßen liefern mit ihren zahlreichen Maschinen und integrierten Sensoren täglich Massen an Daten, die sich für viel mehr eignen, als die Steuerung des aktuellen Produktionsprozesses. Viele dieser Daten werden heute aufgrund fehlender oder nicht vollständiger Datenmodelle noch gar nicht aktiv ausgewertet. Um vorbereitet zu sein und um keine Daten zu verlieren, werden eher zu viele Daten gespeichert. Data Lakes sind eine Teillösung hierfür, aber auch mit Kosten verbunden. 

Bei Gesprächen mit Datenanalysten kam heraus, dass sie nicht immer alle benötigten Daten erhalten. Das liegt unter anderem an den wachsenden Datenmengen und der damit verbundenen steigenden Auslastung der Netzwerke. Industrieunternehmen möchten diese Daten aber in Echtzeit auswerten. Public-Clouds boten sich anfangs als schnelle Lösung an – man schickt einfach alle Daten zur Datenauswertung in die Cloud. Je nach Anwendungsfall und Datenmenge funktioniert dieser Weg recht gut. Allerdings benötigen weitere Anwendungsfälle mit wachsenden Datenmengen im Hinblick auf Datensicherheit, Latenzzeit und Echtzeit-Verarbeitung eine kombinierte Edge-/Cloud-basierte Infrastruktur.

Datenauswertung in der Edge

Die Lösung: Eine analytische Datenreduzierung und Auswertung (ADA) direkt an der Fertigungsstraße in einem auf Standards basierten Edge-Device, ohne auf die Vorzüge einer Cloud-Umgebung verzichten zu müssen. Das bedeutet, Unternehmen werten die Daten am Entstehungsort im Edge-Device aus und entscheiden vor Ort, wohin die Daten geschickt werden sollen. Dies kann unter anderem mithilfe eines Machine-Learning-Algorithmus oder auch eigenen Container-basierten Anwendungen erfolgen. 

‚Ready to Go‘-Cloud-Box-Lösungen können im Zusammenspiel mit modernen Container-Technologien genau dies leisten. So gewinnen Anwender wieder mehr Kontrolle über ihre Daten, Datenmengen werden reduziert und die Sicherheit erhöht.
Nachdem das Machine-Learning-Modell auf Basis von aktuellen Produktions-daten erstellt worden ist, nimmt es die Arbeit direkt an der Edge auf. In Verbindung mit modernen Integration-Bus-Technologien werden nur die relevanten Daten an die zentrale Datenanalyse-Plattform weitergeleitet und dort mit anderen Unternehmensdaten ausgewertet. Wenn gewünscht, können die nicht verwendeten ‚Rohdaten‘ oder Teile davon dezentral gespeichert oder gepuffert werden. Neben der stark reduzierten Datenmenge ist diese Architektur zusätzlich noch ein großer Sicherheitsgewinn, denn sicherheitsrelevante Daten können schon am Entstehungsort verschlüsselt oder entsprechend weitergeleitet oder auch gelöscht werden. 

Aktuelle auf Container-Technologie basierende ADA-Anwendungen sind per Design flexibel und können je nach Bedarf angepasst werden. Dabei spielt die Anzahl, die Größe oder der Ort der Cloud-Instanzen keine Rolle, ein zentrales Management ist fast immer möglich. Dies funktioniert auch bei einer Kombination aus einer oder mehreren Public- oder Private-Cloud-Umgebungen. 

Die Planung entscheidet

Wie bei allem ist die Planung wichtig. Werden bestimmte Regeln bei der Entwicklung der Lösungen beherzigt, die später in Docker-Containern laufen sollen, sind der Flexibilität kaum Grenzen gesetzt. Die Container laufen auf fast allen aktuellen Cloud-Infrastrukturen (On-Prem, Off-Prem, Public oder Private). Lösungen aus dem Bereich Multi-Cloud-Management, Cloud Automation und Monitoring runden das Bild solch einer Multicloud-Umgebung als effizient zu managen ab. Hierbei werden die Edge-Komponenten, basierend auf Standard-Cloud-Technologien, mit eingebunden. 

IBM hat mit der ‚Cloud-in-a-Box’ ADA-EC-Plattform eine Ready-to-Go-Cloud-Technik präsentiert, wie hier erstmalig im Mai 2019 auf der Think at IBM in Berlin.

© IBM

Auch wenn das Bewusstsein für die Bedeutung von Produktionsprozess-daten groß ist, scheuten viele Unternehmen den Schritt, die Daten für weitere Auswertungen zu nutzen. Ein Grund dafür ist fehlendes Know-how rund um das Containermanagement wie Kubernetes. Basiswissen rund um Docker ist oft bereits vorhanden und wird weiter aufgebaut. Diese Firmen haben ange-fangen, auf Docker basierende Lösungen zu entwickeln und sich sukzessiv den Herausforderungen zu stellen:

• Steigt die Anzahl der Docker-Container, haben Unternehmen beispielsweise festgestellt, dass sie ein Docker-Management wie Kubernetes brauchen.

• Die anfangs rein auf Docker entwickelten Lösungen funktionieren, sind aber nur sehr eingeschränkt oder verbunden mit hohen Kosten skalierbar.

• Mit steigender Zahl an Anwendungen wird darüber hinaus ein App-Katalog benötigt, damit per push oder pull die vorgefertigten Lösungen und Updates installiert und benutzt werden können.

Solche Infrastrukturen selbst aus einzelnen Open-Source-Komponenten zu erstellen, zu verteilen und zu betreiben, kann in einer überschaubaren Umgebung noch funktionieren. Bei einer größeren Anzahl von Anwendungen, Edge-Systemen und IoT-Devices, wird dies schnell zur Mammutaufgabe.

Passende Infrastruktur für den schnellen Einsatz

Eine sichere, voll funktionsfähige Cloud sollte klein sein, um mehr Rechenleistung direkt an die Maschinen beziehungsweise in den Shopfloor zu bringen. Die aktuell einsatzbereiten Cloud-in-a-Box-Lösungen bringen eine voll funktionsfähige Cloud mit der notwendigen Rechenleistung ans Endgerät und ermöglichen so die Ausführung von Machine-Learning-Modellen vor Ort. Die Ergebnisse fließen direkt in die Weiterentwicklung und Optimierung der Modelle – ein Kreislauf entsteht. Diese standardisierten Cloud-Boxen wurden speziell für den Einstieg in KI-gestützte Fertigungslösungen entwickelt. Unternehmen können so ihr Ökosystem im Kerngeschäft erweitern und ausbauen. 

Alle Cloud-Lösungen von IBM basieren auf Red Hat Openshift, sind auf allen gängigen Cloud-Umgebungen lauffähig und zentral verwaltbar.

© IBM

Kernelement ist eine Cloud-Plattform basierend auf Open-Source-Frameworks wie Docker und Kubernetes mit App-Shop. Die Container-basierten Anwendungen und Updates können zusammengestellt und über diesen unternehmenseigenen App-Shop verteilt werden. Um alle Vorteile einer privaten Cloud-Umgebung auszuschöpfen, ist auch das Erstellen von Machine-Learning-Modellen und die dafür verwendete Datenbasis zu betrachten. Auch dieser Teil des Machine-Learning-Lifecycles ist in der Produktionsumgebung Bestandteil der Cloud-in-a-Box-Lösung. Das jeweilige Bereitstellungsmodell unterscheidet sich hier am Markt. Idealerweise sollten Unternehmen, die ihre Daten in Echtzeit vor Ort auswerten lassen, diese bei jeder Anpassung, Ergänzung oder Änderung des Machine-Learning-Modells nicht erst zu einem Anbieter oder in eine Public Cloud schicken müssen.