KI-Welt-Einblicke: Die Energiekosten der Erschließung von Edge-Daten

Ein Kamingespräch auf der AI World diskutierte die Herausforderungen bei der Extraktion von Daten vom Edge.

Man könnte annehmen, Hersteller seien bereit, ihre verschiedenen Produktionssysteme zu öffnen und die darin gefangenen Daten zu nutzen. Die Realität ist jedoch weitaus komplexer.

Die Probleme bei der Datenextraktion vom Edge wurden in einem Kamingespräch mit Joseph Etris, Engineering-Projektleiter bei Continental Automotive Systems, und John Auld, Regionaler Vertriebsdirektor bei Zededa, Inc., erörtert. Ich hatte die Gelegenheit, die Sitzung zu moderieren, Teil der jüngsten AI World Konferenz in Boston.

Siehe auch: Fertigung führt das IoT-Feld an

Etris' Einheit bei Continental fertigt Katalysatoren für die Automobilbranche – eine energieintensive Aufgabe. 2018 machten sich Etris und sein Team daran, den Stromverbrauch und die damit verbundenen Emissionen über ihre Siemens-SPS-Steuerungen (SPS), die in den 1990er Jahren installiert wurden, zu erfassen, zu analysieren und zu reduzieren. Die Herausforderung, so Etris, bestand darin, die SCADA-Daten aus den SPS zu extrahieren, um sie mit Daten von neueren elektrischen Sensoren zu integrieren.

Während viele Anbieter behaupten, ältere Industriesysteme könnten in einer perfekten IoT-Welt ihre Daten problemlos preisgeben, ist dies weit von der Realität entfernt, berichtet Etris. Legacy-Produktionssysteme waren oft nicht dafür ausgelegt, offen zu sein, und sind häufig nicht netzwerkfähig.

Auld, der damals Siemens vertrat, arbeitete mit dem Continental-Team zusammen, um die SPS-Daten zu extrahieren und Echtzeit-Kalibrierung bereitzustellen. Zusätzlich werden die Daten alle 10 Minuten in ein Cloud-Repository auf Amazon Web Services hochgeladen.

Die von Continental erlebten Herausforderungen sind symptomatisch für die Probleme in der gesamten Fertigungslandschaft, erklärt Auld. „Es gibt viele dunkle Daten, die in Silos innerhalb vieler Unternehmen existieren.“ Dies stellt nicht nur technische, sondern auch organisatorische Herausforderungen dar, da mehrere Teams bei KI-über-IoT-Bemühungen an Bord sein müssen.

Die Verwaltung von Datenspeicherung im KI- und IoT-Zeitalter war ein weiteres Diskussionsthema. Viele Organisationen werden mit wachsenden Datenmengen kämpfen, die aus verschiedenen Controller- und Sensor-Arrays in ihre Systeme strömen, und diese oft in Data Lakes ablegen.

Hersteller müssen eine gemeinsame Schnittstellenschicht schaffen, die Daten aus allen Generationen von Produktionssystemen extrahieren und lesen kann, sagte Auld. Zudem muss Konsistenz gewährleistet sein, da Daten aus verschiedenen Systemen unterschiedliche Bedeutungen und Schwellenwerte haben können. Die Herausforderung für viele Hersteller: Sie haben oft viele separate Fabriken, jede mit eigenen Initiativen und Standards.