Das Internet der Dinge (IoT) wächst. Überall erheben Sensoren die unterschiedlichen Daten, werden Verbrauchswerte registriert, Bilder und Videos angefertigt, um Systeme automatisch zu steuern, die Funktionsfähigkeit zu überwachen oder Entscheidungsgrundlagen zu liefern. Zugleich steigt in vielen Anwendungsfällen die Echtzeit-Relevanz. Die Daten müssen in einer begrenzten Zeit verarbeitet werden und zu einer Reaktion führen, um die gesteckten Ziele zu erreichen. Dies wird durch Edge Computing, als die ortsnahe Verarbeitung der Daten, möglich. Dabei handelt es sich um eine rechenstarke IT-Infrastruktur am ‚Rand‘ des Unternehmens. Diese liegt somit näher am Entstehungsort der Daten, als etwa ein zentrales Rechenzentrum. So werden geringere Latenzzeiten erreicht, zudem sinkt die Gefahr von Unterbrechungen der Datenkommunikation. Denn auch Zuverlässigkeit und Verfügbarkeit sind oft relevante Faktoren im IoT. Nicht zuletzt stoßen die wachsenden Datenmengen sowohl an physikalische wie ökonomische Grenzen. Denn zum einen benötigt die Übertragung immer mehr Bandbreite, die bei zentralen Strukturen nicht mehr ausreichen. Zum anderen beruht die Abrechnung von Cloud-Anwendungen auf der Menge der hochgeladenen Daten. Je mehr Sensoren Daten senden, desto mehr Kosten entstehen.
Basis für autonome Systeme
Doch viele Anwendungen beruhen auf der Verarbeitung großer Datenmengen. Technologien wie Advanced Analytics, Machine Learning (ML) und KI ermöglichen es, neue Erkenntnisse aus den Daten abzuleiten. Sie bilden die Basis für Systeme mit größerer Autonomie: Die Verfügbarkeit erschwinglicher, leistungsstarker Lösungen zur Verarbeitung von KI-Funktionen hat dazu geführt, dass künstliche Intelligenz zum größten Workload für Edge Computing geworden ist. Beispiele sind etwa, das Erkennen und Verarbeiten natürlicher Sprache, Texterkennung und -generierung, Erkennen und Verfolgen von Objekten in Bild- und Videodaten, Mustererkennung in großen Datensätzen oder die Vorhersage von Trends aus aktuellen Datenreihen. Anwendungsfälle finden sich über alle Branchen hinweg – von der Landwirtschaft über Gesundheitswesen bis hin zur Fertigung. Maschinen werden flexibler und könenn mehr Varianten produzieren. Zugleich steigern intelligente Maschinen die Anlageneffektivität, da sie weniger manuelle Eingriffe im laufenden Produktionsprozess benötigen, eine gleichbleibende Qualität ermöglichen und durch Selbstüberwachung die Gefahr von ungeplanten Stillständen reduzieren können.
Aus der Praxis
Ein Beispiel für den Einsatz von künstlicher Intelligenz am Edge findet sich im Automobilsektor. Die Edag Group, Entwicklungsdienstleiser, bekam von einem seiner Kunden den Auftrag, eine moderne Predictive-Maintenance-Lösung zu implementieren. Ziel des Projekts war es, Unregelmäßigkeiten in der Fertigungslinie zu erkennen, die Wartung zu optimieren und Ausfallzeiten an den Automobilwartungs- und Produktionslinien zu minimieren. Die Edag Group setzte bei der Realisierung auf eine KI-gesteuerte Edge-Lösung und holte sich dazu Dell Technologies als Entwicklungs- und Technologie-Partner an Bord. Die Edag Group entwarf eine KI-Lösung, die das Rechenzentrum des Kunden in die Fertigungslinie hinein erweitert. Speicherung und Verarbeitung der Daten erfolgt sowohl im zentralen Datacenter als auch in der dezentralen Edge-Computing-Lösung.
Weniger Ausfälle
Durch die Lösung gelang es, die Planung von Wartungs- und Service-Intervallen zu verbessern sowie den Einsatz des Service-Personals zu reduzieren. Zudem gab es weniger ungeplante Maschinenausfälle, das Ersatzteilmanagement konnte optimiert werden und die Analyse der gesammelten Daten verbesserte das Verständnis für die Maschinen. Aufgrund der reduzierten Stillstandszeiten erhöhte sich die Overall Equipment Effectiveness (OEE) um zwei Prozent – ein hoher Wert, da die Prozesse im Automobilsektor bereits auf maximale Effizienz ausgelegt sind. Die Lösung soll nun mit Unterstützung der Edag Group auf andere Werke des Kunden ausgerollt werden. Zugleich arbeitet der Engineering-Spezialist an der Weiterentwicklung des Data Analytics Clusters.
IT nicht komplexer machen
Mit Edge Computing lassen sich die Datenströme im Internet der Dinge nahezu in Echtzeit verarbeiten – da die Analyse nahe der Datenquelle erfolgt, sind die Latenzzeiten gering. Die Rechen- und Speicherkapazitäten der dezentralen Edge-Lösungen eröffnen zudem den Zugang zu innovativen Technologien wie Advanced Analytics, Machine Learning und künstlicher Intelligenz – auch in Umgebungen, die bereits als optimiert gelten. Dem Ertrag stehen jedoch auch Anforderungen gegenüber. So muss die Lösung zunächst in die Unternehmens-IT und sie sollte die Komplexität der Infrastruktur nicht weiter erhöhen. Hinzu kommen Anforderungen an Management- und Wartbarkeit sowie an die Sicherheit der Edge-Infrastruktur. Das benötigte Knowhow für solche Projekte ist nicht immer vorhanden. Externe Partner können jedoch Unterstützung leisten.
www.edag.com
