Wie Datenqualität IoT-Projekte profitabler macht

Die weltweiten Technologieausgaben für das Internet der Dinge (IoT) werden im Jahr 2022 voraussichtlich 1,2 Billionen US-Dollar (1 Billion Euro) erreichen, angeführt von Branchen wie der diskreten Fertigung 119 Milliarden US-Dollar (108 Milliarden Euro), der Prozessfertigung 78 Milliarden US-Dollar (70,8 Milliarden Euro), Transport 71 Mrd. USD (64,5 Mrd. EUR) und Versorgungsunternehmen 61 Mrd. USD (55,4 Mrd. EUR).

Tatsächlich wird erwartet, dass der Markt für Industrie-4.0-Produkte und -Dienstleistungen in den nächsten Jahren erheblich wachsen wird – und bis zu diesem Zeitpunkt über 60 % der Hersteller durch den Wandel von Technologien wie RFID, Wearables und automatisierte Systeme vollständig vernetzt sein sollen , sagt Ramya Ravichandar, VP Products, FogHorn .

Obwohl die Branche ein positives Wachstum bei aktuellen und kommenden IoT- und IIoT-Projekten erwartet, müssen noch einige erhebliche Herausforderungen angegangen werden, um das Vertrauen der Kunden vollständig zu gewinnen und Pilotprojekte in erfolgreiche IoT-Großproduktionen zu überführen. Während viele Konnektivitätseinschränkungen, Sicherheitsrisiken und Datenverzerrungen, einschließlich der Datenmenge, als Hindernisse für den IoT-Erfolg ansehen, haben wir festgestellt, dass die Datenqualität auch eine entscheidende Rolle bei der Durchführung effektiver IoT-Projekte spielt.

Was ist Datenqualität – und wie wirkt sie sich auf den Bereitstellungserfolg aus?

Die Datenqualität spielt bei der zunehmenden Akzeptanz von IoT-Geräten in dreierlei Hinsicht eine entscheidende Rolle:

1. Organisationen können nur dann die richtigen datengesteuerten Entscheidungen treffen, wenn die von ihnen verwendeten Daten korrekt und für den vorliegenden Anwendungsfall geeignet sind.
2. Daten von schlechter Qualität sind praktisch nutzlos – und können zu schwerwiegenden Problemen wie ungenauen Modellen für maschinelles Lernen, ungenauen Entscheidungen oder unzureichendem ROI führen.
3. Insbesondere sind die klassischen Probleme des Garbage In/Garbage Out mit der Zunahme von Anwendungen der künstlichen Intelligenz und des maschinellen Lernens wieder aufgetaucht.

Hochwertige Daten-Feeds, Trainieren und Tunen von Machine Learning (ML)-Modellen, um IoT-fähige Fabriken in die Lage zu versetzen, fundierte datengesteuerte Entscheidungen zu treffen.

Beispielsweise kann der unerwartete Ausfall einer Dampfturbine eine kritische Störung, einen Schaden und einen wirtschaftlichen Verlust sowohl für das Kraftwerk als auch für das nachgelagerte Stromnetz verursachen. Prädiktive Modelle für maschinelles Lernen, die auf hochwertigen Datensätzen trainiert wurden, helfen diesen Industrieunternehmen, die Zuverlässigkeit ihrer Geräte zu maximieren, indem potenzielle Fehler erkannt werden, bevor schwerwiegende Probleme auftreten.

Schmutzige Daten, einschließlich fehlender, unvollständiger oder fehleranfälliger Daten, führen jedoch dazu, dass Unternehmen unbequeme, zeitaufwändige und kostspielige Fehler machen. Laut dem Data Warehouse Institute (TDWI) kosten schmutzige Daten US-Unternehmen jedes Jahr rund 600 Milliarden $ (545 Milliarden Euro). Tatsache ist, dass sich etwa 80 % der Arbeit eines Datenwissenschaftlers auf die Datenaufbereitung und -bereinigung konzentrieren, um sicherzustellen, dass die ML-Modelle die richtigen Erkenntnisse liefern.

Mit Blick auf die Zukunft müssen Unternehmen Methoden integrieren, um die Vollständigkeit, Validität, Konsistenz und Korrektheit ihrer Datenströme sicherzustellen, um die Qualität der Erkenntnisse zu verbessern, effektive IoT-Projekte bereitzustellen und einen optimalen ROI zu erzielen.

Welche Rolle spielt Edge Computing für die Datenqualität?

Industrielle Sensoren gibt es in vielen verschiedenen Typen und sammeln große Mengen, Variationen und Geschwindigkeiten von Daten, einschließlich Video, Audio, Beschleunigung, Vibration, Akustik und mehr. Wenn ein Unternehmen in der Lage ist, all diese verschiedenen Datenströme erfolgreich abzustimmen, zu bereinigen, anzureichern und zu fusionieren, kann es die Effizienz, Gesundheit und Sicherheit seines Betriebs erheblich verbessern. Um jedoch ein vollständiges und genaues Bild des Fabrikbetriebs zu zeichnen, müssen Unternehmen die rohen Erkenntnisse aus diesen unterschiedlichen, entfernten Datenquellen sammeln, zusammenführen und verarbeiten.

Edge Computing lebt von diesen Arten von Umgebungen, da es von Anfang an Echtzeitdaten sammeln und verarbeiten und dann eine Struktur innerhalb der Daten erstellen kann, um den Wert zu identifizieren.

Edge-fähige Maschinen helfen dabei, schmutzige Daten lokal zu bereinigen und zu formatieren, was das Training und die Bereitstellung genauer und effektiver Modelle für maschinelles Lernen verbessert. Tatsächlich glauben Branchenforscher, dass Edge-basierte Anwendungsfälle für das IoT ein starker Katalysator für das Wachstum in den wichtigsten vertikalen Märkten sein werden – und dass Daten (in irgendeiner Form) bis 2025 in 59 % der IoT-Implementierungen durch Edge-Computing verarbeitet werden.

Mit Edge Computing können Fabriken beispielsweise die Produktqualität verbessern, indem sie Sensordaten in Echtzeit analysieren, um alle Werte zu identifizieren, die außerhalb zuvor definierter Schwellenwerte liegen, ein ML-Modell erstellen und trainieren, um die Problemursachen zu identifizieren und, falls gewünscht, bereitzustellen das ML-Modell, um die Produktion fehlerhafter Teile automatisch zu stoppen.

Für diese und ähnliche Anwendungsfälle wandeln Edge-fähige Lösungen Echtzeit-Maschinendaten (Daten von geringer Qualität) in umsetzbare Erkenntnisse (Daten von hoher Qualität) in Bezug auf Produktionseffizienz und Qualitätskennzahlen um, die von Betriebsleitern zur Reduzierung verwendet werden können ungeplante Ausfallzeiten, maximieren den Ertrag und erhöhen die Maschinenauslastung.

Viele Unternehmen beginnen zu verstehen, welchen Wert Edge Computing für ihre IoT- und IIoT-Projekte bringen kann, da Edge-Lösungen rohe, gestreamte Sensordaten mithilfe von Echtzeit-Datenverarbeitung und -analyse in umsetzbare Erkenntnisse umwandeln. Durch die Bereinigung und Anreicherung schmutziger Daten zum Zeitpunkt ihrer Erstellung kann Edge Computing die Datenqualität erheblich verbessern und sich wiederholende Maschinendaten für eine bessere Betriebseffizienz verfeinern.

Der Autor ist Ramya Ravichandar, VP Produkte, FogHorn