Ist Edge Intelligence Ihr Schlüssel zum IoT-Erfolg?

Von einfach bis unglaublich komplex, Edge Intelligence ist ein Verbündeter für den Erfolg Ihres IoT-Projekts.

Die digitale Transformation durchdringt jede Branche und veranlasst Unternehmen, Audio-, Video- und Vibrationssensoren in ihren Betrieben zu installieren. Angesichts der Tatsache, dass 30 % der IoT-Projekte in der Proof-of-Concept-Phase scheitern, ist es jedoch durchaus vernünftig, bei der Investition von Geld in groß angelegte IoT-Bereitstellungen vorsichtig zu sein.

Einer der Hauptgründe für das Scheitern des IoT ist, dass Unternehmen selten auf den Datentsunami vorbereitet sind, den all diese Geräte generieren. Die Datenmenge belastet die Latenzzeiten und die zentrale Recheninfrastruktur oder Cloud, ganz zu schweigen von der Belegschaft. Die Arbeit, die erforderlich ist, um die Spreu vom Weizen zu trennen – routinemäßige Wartungsdaten von umsetzbaren Erkenntnissen wie einem bevorstehenden Maschinenausfall – ist für die meisten Unternehmen entmutigend.

Siehe auch: Der Rand ist jetzt das Zentrum des Geschehens

Geben Sie Edge-Computing ein. Edge Computing ist auf dem besten Weg, zum Status quo zu werden, bei dem Daten lokal bis zur Datenerstellung verarbeitet werden. Gartner prognostiziert, dass bis 2025 75 % der von Unternehmen generierten Daten außerhalb der Cloud erstellt und verarbeitet werden; Heute sind es etwa 10 %. Organisationen begannen mit der Implementierung von Edge-Computing, um die Latenz- und Bandbreitenkosten zu verringern, die mit der Übertragung großer Datenmengen von zentralen Rechenzentren in die Cloud verbunden sind.

Es gibt jedoch eine große Vielfalt an Edge-Computing-Lösungen. Vielen Lösungen fehlt eine Möglichkeit, die gesammelten Daten zu verstehen. OT-Mitarbeiter erhalten diese Daten und wissen oft nicht, was sie damit machen oder wie sie die Daten analysieren sollen, um die betriebliche Effizienz zu steigern. Häufig ist eine Weiterverarbeitung erforderlich, typischerweise aus der Cloud. Intelligente Edge-Computing-Plattformen fügen jedoch grundlegende Fortschritte hinzu, die diese Herausforderungen angehen, und machen robuste Analysen ohne Cloud-Verbindung verfügbar.

Rand Intelligenz :Für ein intelligenteres, agileres IoT

Edge Intelligence baut auf den typischen Datenerfassungsfunktionen auf, die bei Edge-Computing-Plattformen mit Ebenen fortschrittlicher Funktionen wie maschinellem Lernen (ML) und künstlicher Intelligenz (KI) üblich sind. ML entlastet die Cloud und Rechenzentren, indem es Analysen und umsetzbare Erkenntnisse direkt bereitstellt die Kante. Intelligente Lösungen leiten umsetzbare Erkenntnisse aus den Streaming-Daten ab und reagieren darauf durch Echtzeit-Warnungen an Bediener und andere Unternehmenssysteme. Closed-Loop-Control-Funktionen zwischen der Cloud und dem Edge werden ebenfalls unterstützt, um Korrekturmaßnahmen an Assets oder Prozessen sofort zu automatisieren.

ML mit intelligenten Edge-Fähigkeiten reduziert die Rechenlast durch Lernen in Aktion. Es verarbeitet kontinuierlich hohe Frequenzen von Datenströmen und Informationspaketen und bildet eine Komplettlösung genau dort, wo Sie sie am meisten benötigen. Hier ist ein Drei-Punkte-Ansatz für die Datenverarbeitung am Rand:

• Einnahme und Anreicherung: Die erste Stufe der Edge-Verarbeitung ist die Datenaufnahme und -anreicherung. Diese Schicht bereinigt Daten und bereitet sie für die Verarbeitung durch Dekodierung, Filterung, Interpolation und mehr vor. Es kombiniert und richtet große Mengen, Varianten und Geschwindigkeiten von Streaming-Video-, Digitalsensor- und Asset-Daten aus. Es ist der Eckpfeiler, der die Datenqualität für alle zusätzlichen Verarbeitungs- und Rechenvorgänge sicherstellt.
• Komplexe Ereignisverarbeitung (CEP): Durch das CEP werden Informationen bereitgestellt, indem Mustererkennung und Echtzeitanalysen für die bereinigten Streaming-Daten bereitgestellt werden. Hier werden umsetzbare Erkenntnisse durch regelbasierte Algorithmen abgeleitet und Maßnahmen können ergriffen werden.
• Engine für maschinelles Lernen: Die Ausführung von Modellen für maschinelles Lernen am Edge kann eine Herausforderung darstellen, da Edge-Geräte weniger Rechenleistung und Speicher haben. Ein geeignetes CEP bietet die für die Modelle erforderliche Vor- und Nachverarbeitung der Daten, sodass Modellgröße, Schichten und Speicher, die für die Ausführung benötigt werden, oft um das 10-fache oder mehr reduziert werden, nachdem es für den Rand vorbereitet wurde.

Wenn es um Edge Intelligence geht, kann maschinelles Lernen sehr komplexe Probleme lösen und sogar Vorhersagen über den Zustand und die Leistung von Operationen liefern. In bestimmten Umgebungen ist es keine Übertreibung zu sagen, dass fortschrittliche Analysen und ML auf Standortebene Leben retten können.

Edge IntelligenceOffline

Es gibt viele Fälle, in denen ein Unternehmen möglicherweise nicht darauf vertrauen möchte, dass die Daten eines Geräts an die Cloud oder das Internet gesendet werden, und Edge Intelligence ermöglicht es, die Verarbeitungsleistung und ML beizubehalten, während die Notwendigkeit einer Verbindung zur Cloud verloren geht. Ihre Organisation kann von der fortschrittlichen, umfassenden Datenverarbeitung profitieren, ohne Sicherheitsrisiken und Kosten für Bandbreite, Verarbeitung und Speicherung.

Welche Vorteile kann Ihr Unternehmen nach dem Übergang zu Edge Intelligence erwarten?

• Massive Reduzierung von Daten. Wenn Analysen an den Rand verlagert werden, nimmt die Datenmenge, die über das Netzwerk übertragen wird, massiv ab. Dies reduziert die Kosten für Datenspeicherung und Datenverarbeitung und gibt gleichzeitig IT- und OT-Personal Zeit, um sich mit komplexeren Problemen zu beschäftigen.
• Bessere Einblicke in Echtzeit. Indem das Computing nahe an der Datenquelle gehalten wird, kann Edgified Machine Learning aufkommende Muster erkennen und sofortige Reaktionen ermöglichen, bevor ein Fehler zu einer umfassenden Krise wird.
• Vorausschauende Wartung für alle. Da ein Edge-basiertes System alle eingehenden Maschinendaten verarbeiten kann, kann es den Wartungsbedarf für alle Geräte im Betrieb vorhersagen, was nicht nur die Zeit für die Planung von Wartungsaktivitäten erheblich verkürzt, sondern auch Unfälle durch verspätete Wartung verhindert.
• Verbesserter Ertrag. Benutzer können die Produktivität steigern und Ausfallzeiten reduzieren, indem sie suboptimale Leistung schnell erkennen und angehen und eine bessere Leistung mit einer 360-Grad-Sicht auf den Betrieb bieten.

Durch die Umgestaltung des IoT-Marktes erleichtert Edge Intelligence die Echtzeitanalyse und erhöht so die betriebliche Effizienz, während die Kosten für die Handhabung und Speicherung von Daten gesenkt werden.

Eine intelligente Edge-Lösung kann viele Funktionen erfüllen, die Bediener und Datenkonsumenten von manueller Arbeit entlasten. Idealerweise benötigen Sie eine Lösung, die nicht nur intelligent Daten aggregiert und sortiert, sondern auch in der Lage ist, Fehlfunktionen eines Assets oder Prozesses zu erkennen.

Wie Sie gesehen haben, bietet intelligentes Edge-Computing zusätzlich zu maschinellen Lernfunktionen wichtige, umsetzbare Erkenntnisse in Echtzeit, die Unternehmen dabei helfen, einige grundlegende Herausforderungen zu meistern und die Tür zu erweiterten Analysen zu öffnen. Grundsätzlich stellen sie sicher, dass alle Ihre Geräte im IoT-Netzwerkprotokoll Ihrer Wahl (ModBus, OPCUA usw.) kommunizieren und gleichzeitig erweiterte Daten am Rand verarbeiten, ohne Verzögerungen durch Latenzprobleme. Und sie können Ihre Entscheidungsfindung verbessern, da Sie immer über die aktuellsten Daten verfügen.

Von einfach bis unglaublich komplex, Edge Intelligence ist ein Verbündeter für den Erfolg Ihres IoT-Projekts.