In naher Zukunft werden voraussichtlich jede Milchkanne, jede Kamera, jedes Tier, jedes landwirtschaftliche Gerät sowie die unterschiedlichsten Sensoren auf den Feldern als jeweils eigenständiges IoT-Device in ein digitales Ökosystem der Landwirtschaft eingebunden werden. Und das ist auch dringend nötig!

Viele Unternehmen wissen nur zu gut, dass sie auf einem ungehobenen Datenschatz sitzen – aber nur die wenigsten, wie man ihn hebt. Dabei wird die schnelle Analyse und Visualisierung von multiplen Datenströmen und Echtzeit-Daten für Unternehmen immer wichtiger. Zentraler Ort dafür ist die Datenbank, die für die Datenanalyse und -visualisierung besondere Anforderungen erfüllen muss.

Bereits 22 Prozent der Logistikunternehmen in Deutschland setzen Künstliche Intelligenz ein, weitere 26 Prozent planen den Einsatz oder diskutieren darüber. Das sind die Ergebnisse einer repräsentativen Umfrage unter mehr als 400 Logistikunternehmen ab 20 Beschäftigten, die vom Digitalverband Bitkom in Auftrag gegeben wurde.

Unternehmen, die sich als führend in den Bereichen Umwelt, Soziales und Governance (Environment Social Governance, ESG) positionieren wollen, müssen Daten und KI einsetzen. Organisationen, Investoren und Aufsichtsbehörden sind sich zwar über die umfassenden Vorteile der Einbeziehung von ESG-Zielen im Klaren, das ist aber der Punkt, an dem der Konsens endet. Anders ausgedrückt: Das „Warum“ von ESG ist klar, aber das „Wie“ und „Was“ nicht. Infolgedessen gibt es wenig Einigkeit darüber, welche Daten Unternehmen sammeln und wie sie diese offenlegen oder analysieren sollten.

Quadratur des Kreises – ist mehr Datenschutz bei gleichzeitig schnelleren und besseren Risiko- und Compliance-Entscheidungen möglich?

Das Smart Data Innovation Lab (SDIL) wird deutsche KI-Spitzenforschung künftig auch für Unternehmen verfügbar machen. Noch bis zum 20. September können sich Firmen für eine kostenlose Erprobungsmöglichkeit bewerben.

Die Bestimmung des optimalen Zeitpunkts für die Maschineninstandhaltung zählt zu den großen Herausforderungen in der Produktion. Die vorausschauende Instandhaltung könnte die Lösung sein. Eine Verknüpfung von datengetriebenen und physikbasierten Maschinenmodellen soll nun auch unerwartete Ausfallszenarien vorhersehen – mithilfe eines digitalen Zwillings.

Der IIoT-Experte Crate.io erweitert seine CrateDB Cloud. Mit CrateDB Edge steht nun eine vollständig verwaltete Edge-Datenbank für Maschinendaten an Remote- und Offline-Standorten zur Verfügung.

Die NoSQL-Datenbank Cassandra ist als skalierbares, ausfallsicheres System für den Umgang mit großen Datenmengen auf verteilten Systemen (Clustern) konzipiert. Im dritten Teil geht es um das Arbeiten mit Cassandra.

Databricks Lakehouse baut auf Apache Spark als Data-Engineering- und Analyse-Plattform auf. Auf der Anwenderkonferenz DAIS 2023 (BigData-Insider berichtete) im Juni 2023 wurde die Version 3.4 mit zahlreichen Neuerungen vorgestellt. Im September wurde die Version 3.5 freigegeben. Die Zusammenarbeit zwischen Spark und Python wird zunehmend enger.