Schwerpunkte

IBM

Machine Learning im Edge Device

05. Mai 2020, 09:00 Uhr   |  Andrea Gillhuber

Machine Learning im Edge Device
© IBM

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 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. 

Seite 1 von 3

1. Machine Learning im Edge Device
2. Die Planung entscheidet
3. Machine-Learning-Anwendungen am Rand der Cloud

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

KI und ERP in der Fertigung
Die Umsetzung stottert noch
Die neuen Produkte
Virtuelles Forum Künstliche Intelligenz - jetzt anmelden

Verwandte Artikel

IBM Deutschland GmbH