Quelle: www.it-daily.net
Bei Predictive-Quality-Anwendungen kann es sich auszahlen, nicht auf die Cloud, sondern auf Edge Computing zu setzen. Das gilt vor allem dann, wenn es schnell gehen muss.
Bei besonders zeitkritischen Anwendungsfällen kann es deshalb von Nachteil sein, die analytischen Berechnungen der Algorithmen auf einer Cloud-Plattform auszuführen. Dafür gibt es vor allem zwei Gründe:
- Unternehmen müssen die Sensormessdaten und Prozessparameter für die Berechnungen erst an die Cloud-Plattform senden, sie schickt die Ergebnisse der Berechnungen dann anschließend wieder zurück. Dadurch entstehen Zeitverzögerungen, die im Extremfall zu groß sein können, um noch rechtzeitig einzugreifen;
- der Datenaustausch mit der Cloud-Plattform erfordert eine stabile Internetverbindung. Diese können Unternehmen nur schwer selbst gewährleisten. Das gilt insbesondere für Fertigungshallen, die sich an entlegenen Orten befinden. Die Unternehmen sind permanent dem Risiko eines Verbindungsausfalls ausgesetzt.
Diese Probleme können Unternehmen vermeiden, wenn sie die analytischen Berechnungen an der Edge ausführen – also direkt bei den Maschinen und Anlagen selbst. Die technischen Möglichkeiten dafür sind zunehmend vorhanden. Es gibt immer mehr Sensoren mit eigenen Recheneinheiten und Industriecomputer sind heute mit hochleistungsfähigen Prozessorkarten ausgestattet.
Trotzdem steht an der Edge nicht dieselbe Rechenleistung zur Verfügung wie in der Cloud. Es gibt aber mehrere Möglichkeiten, die Machine-Learning-Modelle so zu optimieren, dass sie weniger Performance benötigen und dadurch auf Edge-Systemen eingesetzt werden können.
Haben Sie Interesse an einer EB-Veranstaltung des KDW zu diesem Thema?