IoT-Erfolg mit Edge Intelligence freisetzen

Vom Einfachen zum unglaublich Komplexen: Edge Intelligence ist ein Verbündeter für den Erfolg Ihres IoT-Projekts.

Digitale Transformation fegt durch jede Industrie und veranlasst Organisationen, Audio-, Video- und Vibrationssensoren über ihre Operationen zu installieren. Angesichts dessen, dass 30 % der IoT-Projekte in der Proof-of-Concept-Phase scheitern, ist es völlig vernünftig, vorsichtig zu sein, wenn es um Investitionen in großangelegte IoT-Deployments geht.

Eine der primären Ursachen für IoT-Versagen ist, dass Organisationen selten auf den Tsunami an Daten vorbereitet sind, den all diese Geräte generieren. Die Datenmenge belastet Latenz und die zentrale Compute-Infrastruktur oder Cloud, ganz zu schweigen von der Belegschaft. Die Arbeit, die dareingeht, die Spreu vom Weizen zu trennen – routinemäßige Wartungsdaten von actionable Insights wie drohendem Maschinenausfall – ist für die meisten Organisationen entmutigend.

Siehe auch: The Edge is Now the Center of the Action

Hier kommt Edge Computing ins Spiel. Edge Computing ist dabei, zum Status Quo zu werden, indem es Daten lokal am Ort der Datenerstellung verarbeitet. Gartner prognostiziert, dass bis 2025 75 % der unternehmensgenerierten Daten außerhalb der Cloud erstellt und verarbeitet werden; heute sind es etwa 10 %. Organisationen begannen, Edge Computing zu implementieren, um die Latenz- und Bandbreitenkosten zu beheben, die mit der Übertragung großer Datenmengen von zentralen Rechenzentren in die Cloud verbunden sind.

Es gibt jedoch viel Vielfalt bei Edge-Computing-Lösungen. Viele Lösungen fehlt ein Weg, Sinn aus den gesammelten Daten zu machen. OT-Personal erhält diese Daten und weiß oft nicht, was damit anzufangen ist oder wie man die Daten analysiert, um operative Effizienz zu steigern. Weitere Verarbeitung wird oft von der Cloud benötigt. Intelligente Edge-Computing-Plattformen fügen jedoch fundamentale Fortschritte hinzu, die diese Herausforderungen adressieren und robuste Analytik ohne Cloud-Verbindung verfügbar machen.

Edge Intelligence: Für ein smarteres, agileres IoT

Edge Intelligence baut auf den typischen Datenerfassungsfähigkeiten auf, die bei Edge-Computing-Plattformen üblich sind, mit Schichten fortschrittlicher Funktionen wie Machine Learning (ML) und künstlicher Intelligenz (KI). ML nimmt die Last von Cloud und Rechenzentren, indem es Analytik und actionable Insights direkt am Edge bereitstellt. Intelligente Lösungen leiten actionable Insights aus den Streaming-Daten ab und reagieren darauf durch Echtzeit-Alerts an Operatoren und andere Enterprise-Systeme. Closed-Loop-Control-Fähigkeiten zwischen Cloud und Edge werden ebenfalls unterstützt, um Korrekturmaßnahmen an Assets oder Prozessen sofort zu automatisieren.

ML mit intelligenten Edge-Fähigkeiten reduziert Compute-Last durch Learning in Action. Es verarbeitet kontinuierlich hohe Frequenzen von Datenströmen und Informationspaketen und formt eine komplette Lösung direkt am Edge, wo Sie sie am meisten brauchen. Hier ist ein Drei-Punkte-Ansatz zur Datenverarbeitung am Edge:

• Ingestion und Enrichment: Die erste Stufe der Edge-Verarbeitung ist Datenerfassung und Anreicherung. Dieser Layer bereinigt Daten und bereitet sie für die Verarbeitung vor durch Decoding, Filterung, Interpolation und mehr. Er kombiniert und aligniert hohe Volumen, Varietäten und Geschwindigkeiten von Streaming-Video, digitalen Sensor- und Asset-Daten. Er ist der Grundstein, der Datenqualität für alle zusätzlichen Verarbeitung und Computing sicherstellt.
• Complex Event Processing (CEP): Intelligenz wird durch den CEP bereitgestellt, indem Pattern Detection und Real-Time-Analytik den bereinigten, Streaming-Daten zur Verfügung gestellt werden. Hier werden actionable Insights durch regelbasierte Algorithmen abgeleitet und Aktionen können ergriffen werden.
• Machine Learning Engine: Das Ausführen von Machine-Learning-Modellen am Edge kann eine Herausforderung sein, da Edge-Geräte geringer in Compute-Power und Memory sind. Ein proper CEP bietet die erforderlichen Pre- und Post-Processing-Daten für die Modelle, sodass Modellgröße, Layer und Memory für die Ausführung oft um 10x oder mehr reduziert werden nach der Vorbereitung für den Edge.

Wenn es um Edge Intelligence geht, kann Machine Learning sehr komplexe Probleme lösen und sogar Vorhersagen in Gesundheit und Performance von Operationen liefern. In bestimmten Umgebungen ist es keine Übertreibung zu sagen, dass fortgeschrittene Analytik und ML auf Site-Level Leben retten können.

Edge Intelligence Off-Line

Es gibt viele Instanzen, in denen eine Organisation nicht möchte, dass Gerätedaten an die Cloud oder das Internet gesendet werden, und Edge Intelligence macht es möglich, die Verarbeitungskraft und ML zu behalten, während der Bedarf an Konnektivität zur Cloud entfällt. Ihre Organisation kann die Belohnungen fortgeschrittener, tiefer Datenverarbeitung ernten, ohne die Sicherheitsrisiken und Kosten für Bandbreite, Verarbeitung und Speicher.

Welche Vorteile kann Ihre Organisation nach dem Übergang zu Edge Intelligence erwarten?

• Massive Datenreduktion. Wenn Analytik zum Edge wandert, gibt es eine massive Abnahme der Datenmenge, die über das Netzwerk gepusht wird. Dies reduziert Datenspeicher- und Datenhandling-Kosten, während es IT- und OT-Personal freisetzt, an komplexeren Themen zu arbeiten.
• Bessere Echtzeit-Insights. Indem das Computing nah an der Datenquelle bleibt, kann edgified Machine Learning aufkommende Patterns erkennen und sofortige Reaktionen ermöglichen, bevor ein Glitch zur ausgewachsenen Krise wird.
• Predictive Maintenance für alle. Weil ein Edge-basiertes System alle eingehenden Maschinendaten handhaben kann, kann es Wartungsbedarf über alle Geräte im Betrieb vorhersagen, nicht nur die Planungszeit für Wartungsaktivitäten substanzial verkürzen, sondern auch Unfälle durch verzögerte Instandhaltung verhindern.
• Verbesserte Ausbeute. Nutzer können Produktivität steigern und Downtime reduzieren, indem sie suboptimale Performance schnell erkennen und adressieren, was bessere Performance mit einem 360-Grad-Blick auf Operationen liefert.

Durch die Transformation des IoT-Marktes macht Edge Intelligence Echtzeitanalyse einfacher, wodurch operative Effizienz gesteigert und die Kosten für Datenhandling und -speicherung gesenkt werden.

Eine intelligente Edge-Lösung kann viele Funktionen ausführen, die die manuelle Last von Operatoren und Datenkonsumenten nehmen. Idealerweise brauchen Sie eine Lösung, die nicht nur smart beim Aggregieren und Sortieren von Daten ist, sondern auch die Fähigkeit hat, zu erkennen, wenn ein Asset oder Prozess malfunctioniert.

Wie Sie gesehen haben, bietet intelligentes Edge Computing, zusätzlich zu Machine-Learning-Fähigkeiten, vitale, actionable Insights in Echtzeit, hilft Organisationen, einige fundamentale Herausforderungen zu meistern und die Tür zu fortgeschrittener Analytik zu öffnen. Auf der fundamentalen Seite stellen sie sicher, dass all Ihre Geräte im IoT-Netzwerkprotokoll Ihrer Wahl kommunizieren (ModBus, OPCUA, etc.), während sie auch fortgeschrittene Daten am Edge verarbeiten, ohne Latenz-Lag. Und sie können Ihre Entscheidungsfindung verbessern, weil Sie immer die aktuellsten Daten haben.

Vom Einfachen zum unglaublich Komplexen: Edge Intelligence ist ein Verbündeter für den Erfolg Ihres IoT-Projekts.