Schlüsseltechnologie für die smarte Fabrik

Der Weg, den Daten zurücklegen müssen, bis sie vom Unternehmen zur Auswertung in die Cloud gelangen, kann für viele industrielle Anwendungen bereits zu lange dauern. Hilfreich ist dabei die Datenauswertung am Rande des Netzwerks (Edge). German Edge Cloud bietet dafür eine Komplettlösung

Bild: German Edge Cloud GmbH & Co. KG

Die Digitalisierung der Fabriken bringt eine wesentliche Entwicklung mit sich: Die Transformation vom Produzenten zum produzierenden Dienstleister. Die täglich in den Fabriken entstehenden Datenmengen sind die Basis für diese neue Wertschöpfungsmodelle – vorausgesetzt, die Daten werden zeit- und ortsnah erfasst, gespeichert, verarbeitet und intelligent ausgewertet. Denn minimale Latenzzeiten sind für die Umsetzung vieler Industrie 4.0-Anwendungen – wie zum Beispiel die echtzeitfähige und datensouveräne industrielle KI – unabdingbar.

Verarbeitung am Netzwerkrand

Der Schlüssel zur schnellen Verfügbarkeit und Nutzbarkeit von Daten ist Edge Computing. Dabei wird die Verarbeitung der Datenmengen an den Rand (Edge) des Netzwerks verlagert. Die Datenverarbeitung findet somit möglichst nah am Entstehungsort statt, was die Verfügbarkeit von Daten in nahezu Echtzeit ermöglicht. Somit werden Übertragungszeiten und Antwortzeiten bis auf ein Minimum reduziert, wodurch eine sehr schnelle Prozessierung der Daten möglich ist. Sie müssen keine weiten Strecken zu zentralen Rechenzentren oder Cloud-Data-Centern zurücklegen. Edge Computing knüpft als dezentrale Netzarchitektur dort an, wo Latenzzeiten und Datenvolumen der Cloud-Dienste nicht mehr ausreichen. Im Gegensatz zum Cloud Computing handelt es sich dabei um eine Cloud in Form einer ‚Box‘ vor Ort. Das Rechenzentrum steht direkt in der Produktions- bzw. Werkshalle. Alle gesammelten Daten bleiben dort, der Anwender behält die volle Kontrolle und entscheidet selbst, ob er die verarbeiteten Daten an andere Clouds oder Supply-Chain-Partner übermittelt. Die Notwendigkeit der Datensouveränität unterstreicht auch Dr. Sebastian Ritz, CEO der German Edge Cloud, anhand einer Aufgabe, der aktuell die Automobilzulieferer gegenüberstehen: „Die Automobilhersteller wie BMW und VW bauen derzeit digitale Produktionsplattformen auf Basis globaler Public Cloud-Anbieter wie Amazon und Microsoft auf. Zulieferer müssen daher ihre Daten entsprechend aufbereiten, wollen aber gleichzeitig ihr Know-how schützen. Daher empfiehlt sich der Einsatz einer datensouveränen, offenen Edge-Plattform.“

Alles in einem

Die German Edge Cloud stellt private Edge-Cloud-Infrastrukturen (IaaS), Plattformen für Datenanalyse (PaaS) und industriespezifische KI-Anwendungen (SaaS) in einer fertigen Industrial Edge Cloud Appliance zur Verfügung – inklusive vollumfänglichem Service. Die Lösung beinhaltet eine komplette On Premise Edge-Infrastruktur – das heißt Rechenzentrum-Appliance mit IT-Hardware – sowie eine fertig vorbereitete industrielle Edge Cloud-Plattform und die gewünschten industriellen IoT-Anwendungen. Alles wird inklusive komplettem Service (as a Service) angeboten. GEC stellt die Edge Cloud vor Ort, auf dem Shop-Floor oder near Shop-Floor bereit. „Wir möchten jedem Unternehmen den schnellen, einfachen und gesamtheitlichen Zugang zu wertvollen Industrie-Daten und deren Nutzung ermöglichen. Dies ist – einhergehend mit der vollen Datenkontrolle beim Kunden, der offenen Plattform-Architektur und der Einbeziehung von IIoT-Lösungen von Partnern auf der Plattform – die intelligente Antwort auf die steigende Komplexität in der Verarbeitung von Produktionsdaten“, fasst Dr. Sebastian Ritz zusammen.

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