Startseite > Markt > Machine Learning direkt an der Produktionsstraße

Edge Computing

Machine Learning direkt an der Produktionsstraße

9. Dezember 2019, 10:35 Uhr | Autoren: Christian Wied und Ralf Schoppenhauer / Redaktion: Sabine Narloch

Wenn die Anzahl der vernetzten Fertigungsmaschinen steigt, wird eine "Analytische Datenreduzierung und Auswertung (ADA)" direkt an der Fertigungsstraße zunehmend sinnvoller.

Daten mit Hilfe von Machine-Learning-Algorithmen direkt an der Produktionsstraße (im Edge Device) auswerten – das sollen neue "Ready to Go"-Cloud-Box-Lösungen den Unternehmen ermöglichen. Ralf Schoppenhauer von IBM schildert, wie man sich das vorstellen kann.

Produktionsumgebungen wie Fertigungsstraßen 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. 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 Daten, die sie benötigen, auch bekommen. Das liegt unter anderem an den wachsenden Datenmengen und der damit verbundenen steigenden Auslastung der Netzwerke. Das haben bereits zahlreiche Industrieunternehmen erkannt und möchten diese Daten in Echtzeit auswerten. Public-Cloud-Lösungen boten sich anfangs als die optimale, schnelle Lösung an. Man schickt einfach alle Daten zur Datenauswertung in die Cloud. Je nach Anwendungsfall und Datenmenge funktioniert dieser Weg recht gut. Viele Unternehmen stellen jedoch vermehrt fest, dass weitere Anwendungsfälle mit wachsenden Datenmengen im Hinblick auf Datensicherheit, Latenzzeit und Echtzeitverarbeitung eine kombinierte Edge-/Cloud-basierte Infrastruktur benötigen.

Am Boden bleiben
Die Lösung kann lauten: “Analytische Datenreduzierung und Auswertung (ADA)” direkt an der Fertigungsstraße in einem auf Standards basierten Edge-Device, ohne auf alle Vorzüge einer Cloudumgebung verzichten zu müssen. Was bedeutet das? Das Unternehmen wertet die Daten direkt 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.

Neue “Ready to Go”-Cloud-Box-Lösungen können im Zusammenspiel mit modernen Containertechnologien genau dies leisten. Zudem gewinnen die Anwender 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 noch die relevanten Daten an die zentrale Datenanalyse-Plattform, wo auch immer diese steht, 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 ein 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 hoch 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 der gängigen Anbieter, aber auch in einer eigenen, privaten Unternehmens-Cloud.

Die Planung entscheidet
Wie bei allem ist die Planung auch hier sehr wichtig. Werden bestimmte Regeln beherzigt bei der Entwicklung der Lösungen, die später in Docker-Containern laufen sollen, sind der Flexibilität fast keine Grenzen mehr gesetzt. Die Container laufen auf fast allen aktuellen Cloud-Infrastrukturen (On-Prem, Off-Prem, Public oder Private). Lösungen von verschiedenen Firmen 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.

Aller Anfang ist schwer
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 zum Beispiel 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 und dabei schnell erste Erfolge erzielt. Genauso schnell sind große Hürden aufgetaucht, je weiter die Entwicklung vorangetrieben wurde:

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 mitunter 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.