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

Fortsetzung des Artikels von Teil 1

Rechenleistung direkt an der Maschine

Wie klein kann eine sichere, voll funktionsfähige Cloud sein? Die Antwort: Sehr klein! Und warum ist das wichtig? Dies ist die Basis, um mehr Rechenleistung direkt an die Maschinen bzw. in den Shopfloor zu bringen. Die aktuellen, sofort einsatzbereiten Cloud-in-a-Box-Lösungen bringen eine voll funktionsfähige Cloud mit der notwendigen Rechenleistung ans Endgerät und ermöglichen so die Ausführung von Machine-Learning-Modellen vor Ort. Die Ergebnisse fließen direkt in die Anpassung und Weiterentwicklung der Modelle, was zu einem Kreislauf führt, der diese Modelle immer weiter verbessert und optimiert. Diese standardisierten Cloud-Boxen wurden speziell für den Einstieg in die Ära KI-gestützter Fertigungslösungen entwickelt. Somit wird es den Unternehmen ermöglicht, ihr Ökosystem intelligent im Kerngeschäft zu erweitern und auszubauen. Kernelement ist eine Cloud- Plattform basierend auf Open-Source-Frameworks wie Docker und Kubernetes mit App Shop. Die Container-basierten Anwendungen und Updates können selbst zusammengestellt und über diesen unternehmenseigenen App Shop verteilt werden. Um alle Vorteile einer privaten Cloud-Umgebung ausschöpfen zu können, ist auch die Erstellung von Machine-Learning-Modellen und die dafür verwendete Datenbasis zu betrachten. Auch dieser Teil des Machine-Learning-Lifecycles ist in der Produktionsumgebung Bestandteil der Cloud-in-a Box-Lösung. Das Bereitstellungsmodell unterscheidet sich hier am Markt. Idealerweise sollten Unternehmen, die ihre Daten in Echtzeit vor Ort auswerten lassen, diese bei jeder Anpassung, Ergänzung oder Änderung des Machine-Learning-Modells nicht erst zu einem Anbieter oder in eine Public Cloud schicken müssen.

Wird das Ganze mit einem leistungsstarken Industrie-PC für die Edge-Implementierung implementiert, geht das über die bisherigen reinen Infrastrukturlösungen 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 Fertigungsstraßen können auf diese Art zusammengeführt, ausgewertet und dort sogar für mehrere Tage gespeichert werden, um sie anschließend für Analysen und Machine-Learning-Anwendungen bereitzustellen. Wie die Architektur in der jeweiligen Umgebung zum Einsatz kommt, wird je nach Anforderung angepasst und umgesetzt.

Machine-Learning-Anwendungen am Rande der Cloud
Mit den aktuell am Markt erhältlichen Lösungen können eigene KI-Anwendungen entwickelt und in die Laufzeitumgebung wie IoT-Endgerät oder Cloud-Box verteilt werden. Die Integration unterschiedlichster Datenquellen, die Datenanalyse wird hierbei sowohl on Premiss als auch in der Cloud sichergestellt. Die Software wird vorkonfiguriert geliefert und in die vorhandene Umgebung eingebunden. Unternehmen können damit auf ihre verteilten Daten im Unternehmen zugreifen, diese physisch oder virtuell sammeln, organisieren und analysieren. Mit den damit zur Verfügung stehenden KI-Services ist dies die Basis für eigene KI-Anwendungen.

Über ein Selfservices-Portal werden die Infrastruktur und die bereitgestellten Anwendungen verwaltet. Die Anwendungen werden je nach Anwendungsfall und Unternehmensstrategie ausgewählt und in einem App Shop zur Verfügung gestellt. Neben Integrationen zur Datensammlung auf Basis von M2M-Protokollen wie OPC-UA, MQTT etc. können dies auch Open-Source- Technologien für die Daten-Integration, -Transformation, -Analyse, -Visualisierung oder zur Erstellung von ML-Modellen sein.

Im Anschluss daran wird die fertige Anwendung einfach in einen Container gepackt und über das Cloud-Netzwerk in alle Boxen verschickt (push oder pull), in denen sie fortan laufen soll: Zentral vorbereitet und überall zugänglich gemacht, wo die Anwendung gebraucht wird, egal, mit welchen Maschinen, von welchen Herstellern auf dem Shopfloor gearbeitet wird – die Software-Virtualisierungs- und Machine-Learning-Technologie bleibt gleich und kann daher überall eingesetzt werden.