Firmen im Artikel
Produktionsumgebungen liefern mit ihren zahlreichen Maschinen und integrierten Sensoren täglich Massen an Daten, die sich für viel mehr eignen, als die bloße Steuerung des aktuellen Produktionsprozesses“, sagt Christian Wied, IBM Account Manager Cloud Software – Industrial Clients bei IBM. Viele dieser Daten werden allerdings 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“, so Schoppenhauer.
Public-Cloud-Lösungen boten sich hier anfangs als die schnelle Lösung an. Man schickt einfach alle Daten zur Datenauswertung in die Cloud. Je nach Anwendungsfall und Datenmenge funktioniert dieser Weg recht gut. Inzwischen stellen viele Unternehmen jedoch fest, dass sie aufgrund wachsender Datenmengen im Hinblick auf Datensicherheit, Latenzzeit und Echtzeitverarbeitung eine kombinierte Edge-/Cloud-basierte Infrastruktur benötigen.
„Die Lösung hierfür ist so einfach wie genial: Analytische Datenreduzierung und Auswertung, kurz ADA, direkt an der Fertigungsstraße in einem Edge-Device, ohne auf alle Vorzüge einer Cloud-Umgebung verzichten zu müssen“, erklärt Ralf Schoppenhauer, IBM Senior IT Architect – Hybrid Cloud, Internet of Systems, Machine Learning bei IBM. Was bedeutet das? 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 mit Hilfe eines Machine-Learning-Algorithmus oder auch eigenen Container-basierten Anwendungen erfolgen.“
Machine-Learning-Modell nimmt Arbeit direkt an der Edge auf
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 noch die relevanten Daten an die zentrale Datenanalyse-Plattform weitergeleitet und dort mit anderen Unternehmensdaten gemeinsam 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 auch gelöscht werden“, betont Schoppenhauer.
IBM hat mit der Cloud-in-a-Box-ADA-EC-Lösung eine solche Ready-to-Go-Cloud-Lösung entwickelt, die neben einer voll funktionsfähigen Cloud im Endgerät Machine-Learning-Modelle vor Ort ausführen und diese im laufenden Betrieb weiterentwickeln kann. Basis dafür sind leistungsstarke Industrie-PC für die Edge-Implementierung. Das Konzept geht weit über die bisherigen Lösungen hinaus, bei denen erste Analysen auf normalen Edge-Devices ausgeführt werden. Diese Ready-to-Go-Cloud-Boxen können hinter mehrere vorhandenen Edge-Devices geschaltet werden und lesen die Daten entweder von diesen oder direkt aus der Maschine aus. Die Daten von mehreren Endgeräten, Maschinen oder Fertigungslinien können so zusammengeführt und ausgewertet werden, um sie anschließend für Analysen und Machine-Learning-Anwendungen bereitzustellen.
IBM Deutschland GmbH
