Wo sich IT und OT näher kommen

Wie ein Smartphone

Ein Smartphone kombiniert Telefon, Musikspieler, Kamera und Internet physisch in einem Gerät. Zudem steht dem Nutzer ein Ökosystem von Anwendungen zur Verfügung, das immer neue Möglichkeiten schafft, diese physischen Komponenten kreativ auszunutzen. Ferner ist die Bedienung eines Smartphones möglichst einfach gehalten. Dieses Vorbild lässt sich nahezu Eins-zu-eins auf Edge-Systeme übertragen. Die OT/IT-Integration vereinfacht die Prozesse in industriellen Umgebungen. Trotz aller Standardisierungsbemühungen sind Industrieumgebungen jedoch nach wie vor durch große Heterogenität geprägt. Konvergente Edge-Systeme müssen deshalb standardmäßig eine große Bandbreite an Optionen für das Ansteuern von OT-Systemen bieten, sei es über einen multiprotokollfähigen Standard wie PXI oder über dedizierte Adapter. Programmierschnittstellen und Field Programmable Gate Arrays (FPGA) erlauben zudem eine maßgeschneiderte Erstellung von OT-Adaptern, bis hin zur Implementierung von speicherprogrammierbaren Steuerungen auf dem Edge-IT-System.

Einfach zur Anwendung

Ebenso wie bei Smartphones erschließt sich der wahre Wert von konvergenten Edge-Systemen erst mit den Applikationen, die die verschiedenen OT- und IT-Komponenten zu einem nützlichen Prozess verknüpfen -beispielsweise die Video-Qualitätskontrolle in der Produktion: Eine Video-Kamera erfasst dabei die auf einem Band vorbeirollenden Produkte; ein Machine-Learning-Programm erkennt anhand der Video-Aufnahmen Produktfehler; ein erkannter Fehler löst einen Impuls in einer speicherprogrammierbaren Steuerung aus, um das defekte Produkt vom Förderband zu schieben. Ein solches organisiertes Zusammenspiel von OT und IT wird heute in vielen Fällen manuell aufgesetzt und programmiert, was großen Aufwand verursacht und anfällig für Sicherheitslücken ist. Eine Lösung für dieses Problem sind so genannte No-Code-Workflow-Generatoren. Die Datenquellen, Adapter, Treiber, Middleware, Anwendungen und SPS lassen sich dabei zu einem Workflow verbinden, indem entsprechende grafische Symbole mit der Maus verknüpft werden. Die IT-Applikationen, mit denen die OT-Daten analysiert und verarbeitet werden werden dabei aus einem Applikationskatalog ausgewählt und, in einen Container verpackt, aus der Cloud an das Edge-System übertragen.

Den Überblick behalte

Sind all diese Voraussetzungen gegeben, muss noch das Problem des Systemmanagements am Edge gelöst werden. Diese Systeme – es können hunderttausende sein – befinden sich in allen möglichen entlegenen und unwirtlichen Orten. An ein händisches Aufsetzen und Warten ist also nicht zu denken. Vielmehr braucht es ein Systemmanagement, das – ähnlich wie bei einem Smartphone – die meisten Aufgaben autonom durchführt wie beispielsweise die Inbetriebnahme der Edge-Hardware oder das Laden und Installieren von Firmware, Betriebssystem und Anwendungen. Weitere Edge-spezifische Bedingungen, denen das Systemmanagement Rechnung tragen muss, ist eine fragile Netzwerkverbindung. Das heißt zum Beispiel, dass unterbrochene Updates an dem Punkt fortgesetzt werden, wo sie unterbrochen wurden, und dass das Edge-System sich aktiv meldet, wenn es nach einer Netzwerkunterbrechung wieder online ist. Zudem muss das Systemmanagement Edge-spezifische Sicherheitsfunktionen bieten, da es am Edge keine Zutrittskontrolle wie im Rechenzentrum gibt.

Seiten: 1 2 3Auf einer Seite lesen

Hewlett-Packard Enterprise
www.hp.com/de

Das könnte Sie auch Interessieren

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.