Mehr Speicher für mehr Daten

Autonomes Fahren

Mehr Speicher für mehr Daten

Bild: ©carloscastilla/istockphoto.com

Künstliche Intelligenz spielt bei der Zukunft der Mobilität eine große Rolle, da Fahrzeuge immer abhängiger von immer mehr Daten werden. Dies erfordert neue Speicherlösungen, die es ermöglichen, Daten nahtlos zwischen unterschiedlichen Speicherarten zu verschieben.


Der technologische Fortschritt in der Automobilindustrie lässt die Vision vom vernetzten und selbstfahrenden Auto greifbar erscheinen. Zwar wird es noch einige Jahre dauern, bis vollautonome Autos in Masse vom Band laufen, doch bereits jetzt steigt die Anzahl teilautonomer Fahrzeuge auf dem Markt. Sie sind mit On-Board-Technologien ausgestattet, wie etwa fahrerunterstützten Systemen (ADAS), Infotainment-Systemen (IS) oder intelligenten Sensoren, die dem vernetzten Fahrzeug seine mitdenkenden Fähigkeiten und Funktionen verleihen. Die Grundlage dafür bilden Daten, wodurch die Datenmenge immer weiter wächst und ein komplexes Netz aus Plattformen und Algorithmen entsteht. Automobilhersteller müssen aber auch die Speicherung der Datenmengen schultern, die im Zuge der Entwicklung von KI-Technologien anfallen. Hunderte von Petabytes werden bei jedem Entwicklungstest erzeugt und ein großer Teil dieser Daten muss über lange Zeiträume aufbewahrt werden.

Große Datenmengen

Noch sind die Technologien nicht vollständig autonom und funktionieren nur unter bestimmten Rahmenbedingungen. Das kann im Alltag zu Problemen führen: Zum Beispiel wenn die Verkehrsdichte steigt oder Szenarien eintreten, die eine massive Datenübertragung zwischen dem fahrzeugseitigen System und dem zentralen Computersystem erfordern. Aktuell kann die Lösung solcher Probleme zu einer Überlastung mit Daten im stark beanspruchten Netzwerk und zu extremer Rechenkomplexität im Bordsystem führen. Das Marktforschungsunternehmen Gartner prognostiziert, dass das durchschnittliche vernetzte Fahrzeug bis 2020 jährlich über 280 Petabyte an Daten produzieren wird – pro Tag müssten also mindestens 4 Terabyte verarbeitet werden. Sie stammen von der On-Board-Hardware, zu der beispielsweise Kameras gehören, die 20 bis 60MB Datenvolumen pro Sekunde erzeugen oder LIDAR-Systeme, Light Detection and Ranging, für die radarbasierte Messung von Abständen und Geschwindigkeiten mit zehn bis 20 MB pro Sekunde. Sonarradare und GPS bringen es jeweils auf zehn bis 100kB pro Sekunde. Selbstfahrende Fahrzeuge werden durch Data-Intelligence-Lösungen gesteuert. Entscheidend ist dabei, die richtigen Daten zu speichern und in intelligente Systeme, Analyse-Lösungen, Entwicklungsabläufe und andere Anwendungen zu übernehmen.

Unterschiedliche Fahrzeugarten

In den nächsten Jahren werden unterschiedliche Arten von vernetzten Fahrzeugen mit individuellen Anforderungen auf den Markt kommen: Während etwa unternehmenseigene Flottenfahrzeuge über eine eigene Speicherarchitektur für die Verwaltung ihrer Daten verfügen, konzentrieren sich die Hersteller bei Mittelklassefahrzeugen für Verbraucher eher auf Infotainment-Systeme, die eine ganz andere Architektur erfordern. Eine entsprechende Speicherlösung muss in diesem Zusammenhang einen reibungslosen Übergang der Daten aus allen Lebensphasen von der ersten Erfassung im Fahrzeug bis hin zur langfristigen Speicherung ermöglichen. Diese Infrastruktur muss einen aktiven Zugriff und die Suche in allen Daten erlauben, große Langlebigkeit aufweisen und mit Werkzeugen ausgestattet sein, die Compliance-Vorgaben wie beispielsweise die Übereinstimmung mit den Datenschutzgesetzen gewährleisten. Neben einem leistungsstarken Front-End auf Basis von SSD-Speichern (Solid State Drive) oder Festplatten ist ein kostengünstiger und skalierbarer Speicher für große Datenmengen – vorzugsweise Tape oder objektbasierter Speicher – ebenso wichtig. Eine erfolgreichen Storage-Architektur zeichnet sich letztlich dadurch aus, dass den Datennutzern auf einfachem Wege die benötigten Speicher- und Verarbeitungsressourcen für ihre spezifischen Arbeitsabläufe in jeder Phase des Datenzyklus zur Verfügung stehen. Eine Kombination aus leistungsstarker Festplatte und Tape-Archivierung mit einem gemeinsamen Verwaltungspunkt für viel Speicherplatz kann in dieser Situation die Lösung sein.

Seiten: 1 2Auf einer Seite lesen

Quantum Corporation
www.quantum.com

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige