Schwerpunkte

Edge Computing

Machine Learning im Edge Device

19. März 2020, 22:00 Uhr   |  Andrea Gillhuber

Machine Learning im Edge Device
© IBM

Mit modernen »Ready to Go«-Cloud-Box-Systemen als ADA-Lösung direkt am Edge-Gerät können Unternehmen wieder allein entscheiden, was mit ihren Daten passieren soll.

Mit ‚Ready to Go‘-Cloud-Box-Lösungen sind Unternehmen in der Lage, ihre Daten unter anderem mithilfe von Machine-Learning-Algorithmen direkt in der Produktion, sprich im Edge Device, auszuwerten.

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 auch 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-Cloud-Lösungen 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.

Analytische Datenreduzierung und Auswertung, kurz ADA, als Lösung

Cloud-Lösung mit Roboter
© IBM

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

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

Neue „Ready to Go“-Cloud-Box-Lösungen können im Zusammenspiel mit modernen Containertechnologien genau dies leisten und noch mehr – die Anwender gewinnen wieder mehr Kontrolle über ihre Daten, Datenmengen werden reduziert und die Sicherheit erhöht.

Nachdem das Machine-Learning-Modell auf Basis von aktuellen Produktionsdaten 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 Containertechnologie basierende ADA-Lösungen 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 sehr 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 Multi-Cloud-Umgebung als einfach und effizient zu managen ab. Hierbei werden die Edge-Komponenten, basierend auf Standard-Cloud-Technologien, mit eingebunden.

Auch wenn das Bewusstsein für die Bedeutung von Produktionsprozessdaten 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 in vielen Fällen bereits vorhanden und wird weiter aufgebaut. Diese Firmen haben angefangen, Lösungen basierend auf Docker zu entwickeln. Mit Voranschreiten der Entwicklung kamen auch Herausforderungen auf:

  • Steigt die Anzahl der Docker-Container, haben Unternehmen beispielsweise festgestellt, dass sie ein Docker-Management wie Kubernetes brauchen.
  • Diese anfangs rein auf Docker entwickelten Lösungen funktionieren, sind aber nur sehr eingeschränkt / oder mit hohen Kosten verbunden 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.

Seite 1 von 2

1. Machine Learning im Edge Device
2. Passende Infrastruktur für den schnellen Einsatz

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Der Einstieg ins Machine Learning
Der Edge-Computing-Ansatz

Verwandte Artikel

IBM Deutschland GmbH