Siemens und IBM
Watson-Technologie für Mindsphere
Watson-Technologie in die Mindsphere-Plattform zu integrieren - das ist der Plan von Siemens und IBM. Ziel ist es, den Einsatz von Datenanalysefunktionen für Kunden weiter zu vereinfachen.
Siemens und IBM planen, Watson-Technologie sowie weitere Analyse-Tools von IBM in Mindsphere zu integrieren. Mindsphere ist das cloudbasierte, offene Betriebssystem für das Internet der Dinge von Siemens. Ziel der Integration ist es, den Einsatz von Datenanalysefunktionen für Kunden weiter zu vereinfachen. Hierfür sollen Geschäftskunden Zugang zu Visualisierungsfunktionen und Dashboards erhalten, während App-Entwickler und Datenanalysten über Schnittstellen (Application Programming Interface/APIs) Analytics-Technologien nutzen können. IBM und Siemens wollen dabei ihre jeweiligen Kompetenzen bündeln – im Bereich leistungsstarke Analysetechnogien ebenso wie bei der Automatisierung und Digitalisierung der Industrie.
Unterstützung in drei Bereichen
Die Analytics-Technologien von IBM sollen Anwender in drei Bereichen unterstützen: Die Analyse von Maschinendaten hilft, Anomalien und abweichende Muster vorherzusagen und Gegenmaßnahmen einzuleiten. Indem das Produktions-Equipment „intelligenter“ wird, können zudem Stillstandzeiten reduziert und die Leistung von Anlagen erhöht werden. Mit Qualitäts-Analysen, darunter Bild- und Audio-Analysen, können Anwender erkennen, welche Umstände zu Prozessstörungen und Qualitätsproblemen beitragen. Dadurch lassen sich Produktqualität und Ertrag optimieren.
Hierfür plant IBM verschiedene Analytics-Technologien auf Mindsphere zur Verfügung zu stellen. Diese reichen von Dashboards über vorausschauende Analysen (predictive analytics) inklusive Handlungsempfehlungen (prescriptive analytics) bis hin zu kognitiven Analysen (cognitive analytics). Cognitive Analytics spielt laut Siemens eine Schlüsselrolle, um Kunden bei der Optimierung ihrer Leistung zu unterstützen. So können Anwender verschiedenste Daten von Sensoren auslesen und analysieren. Sie können versteckte Zusammenhänge in großen Datenmengen identifizieren, Diagnosen bei Störfällen optimieren und mit den Erkenntnissen den Produktionsprozess kontinuierlich verbessern.













