Suchen

E-Book von BigData-Insider IoT-Echtzeitanalyse

| Autor / Redakteur: Michael Matzer / Nico Litzel

Das Sensor-gestützte Lieferketten-Management, die vorausschauende Wartung einer Windkraftanlage, der Arbeitsschutz von Mitarbeitern oder die KFZ-Versicherung eines vernetzten Autofahrers – sie alle haben eines gemeinsam: Ihre Daten werden in Echtzeit erfasst und einer zeitnahen Auswertung unterworfen. Das Internet der Dinge (Internet of Things, IoT) ist einer der größten Wachstumsbereiche der Industrie weltweit.

Firmen zum Thema

Ab sofort steht das E-Book „IoT-Echtzeitanalyse“ kostenlos zum Download bereit.
Ab sofort steht das E-Book „IoT-Echtzeitanalyse“ kostenlos zum Download bereit.
(Bild: Vogel IT-Medien)

Die Analysten von IDC haben 2019 in einer Umfrage festgestellt, dass immer mehr deutsche Unternehmen IoT-Projekte umsetzen oder umsetzen wollen. Treiber dieser Entwicklung ist vor allem die Industrial IoT, die hierzulande als Industrie 4.0 bezeichnet wird. Von den befragten 258 Unternehmen hatten 42 Prozent IoT-Projekte bereits umgesetzt bzw. befanden sich in der konkreten Pilotierung, weitere 47 Prozent planten und evaluierten solche Projekte.

„Derzeit werden rund 10 Prozent der von Unternehmen generierten Daten außerhalb eines traditionellen zentralisierten Rechenzentrums oder der Cloud erstellt und verarbeitet. Bis 2025 wird diese Zahl auf 75 Prozent steigen“, so die Analysten der Gartner Group .Kurz gesagt: Edge-Computing mit IoT-Geräten und -Maschinen wird enorm an Bedeutung gewinnen. Die Erfassung und Verarbeitung von Daten erfolgt immer weiter draußen auf den Endgeräten selbst. Das Ziel ist die Analyse von Daten aller Art – Video, Audio, Log- und Transaktionsdaten – in Echtzeit.

Wenn es darum geht, möglichst sofort bzw. direkt zu reagieren, dann machen Edge Computing-Lösungen Sinn, bzw. in den meisten Fällen eine Verschmelzung von Edge- und Cloud Computing. Die Verarbeitung kann entweder auf den Endgeräten, auf Controllern und Gateways selbst erfolgen, die Verarbeitung von Event-Streams bedeuten oder die zeitnahe Analyse von Daten in einem Data Lake. In der Folge dieser IoT-Projekte entstehen nämlich enorme Datenmengen, die verwaltet, in Data Lakes gesammelt und anschließend ausgewertet werden müssen. Ohne Modelle des Machine Learning und ohne die richtige IoT-Datenstrategie ist diese Analyse jedoch zum Scheitern verurteilt und so wird aus dem See alsbald ein Sumpf.

ML-Modelle müssen mithilfe sehr großer Datenmengen (Trainingsdaten) trainiert und anschließend auf die Testdaten angewandt werden (Inferenz). In einem Scoring-Prozess werden die Modelle auf ihre Genauigkeit hin bewertet (z.B. mit dem Akaike-Algorithmus) und fortwährend verbessert. Ein Modell-Code muss nicht umfangreich sein und lässt sich als Python-Code von wenigen Zeilen beispielsweise auf einer DeepLens-Kamera von Amazon Web Services installieren und ausführen.

Letztlich ist heute die Analyse der industriellen und kommerziellen IoT-Daten für den Geschäftserfolg jedes datengetriebenen Unternehmens von zentraler Bedeutung. Die Analyse wiederum steht und fällt jedoch mit dem richtigen ML-Modell und dem ihm zugrunde liegenden Ansatz.

Artikelfiles und Artikellinks

(ID:46892717)

Über den Autor