Machine Learning

Big Data und KI sorgen für eine effizientere Fertigung

Seite: 2/2

Firma zum Thema

Herausforderungen sind groß

Beim Einsatz von Big-Data-Techniken ergeben sich jedoch auch einige Herausforderungen. So muss das derzeitige Innovationstempo in der Informationstechnik mit der Prozessautomatisierungstechnik in der Fabrik harmonisiert werden. Darüber hinaus sind viele traditionelle Lösungen nur auf einzelne Prozesse ausgerichtet und erlauben keine Korrelation zwischen aktuellen Messwerten und historischen Daten sowie eine anschließende einfache oder ereignisgesteuerte Anpassung der Schwellenwerte. Eine weitere große Herausforderung ist der Umgang mit Daten in Echtzeit aus verschiedenen Quellen und mit unterschiedlichen Zeitstempeln. So trifft man immer noch auf das gute alte RDBMS (Relational Database Management), das alle Daten aus allen Systemen in der Fabrikation absorbiert, was im Wesentlichen den Wert der Daten direkt an der Quelle vermindert. Die Lösung besteht aus diesem Grund darin, dass eine Unternehmensplattform hier stabilisierend und überbrückend eingreift – sozusagen als ein verteiltes Betriebssystem für die in Bewegung befindlichen Daten sowie die Datenanalyse, mit dem Probleme an jedem Punkt der Datenpipeline gelöst werden.

Ein weiterer Aspekt ist die Verwaltung und Sicherheit der Daten. Hier greifen Berechtigungen sehr früh – schon dort, wo die Daten erstellt werden. Die Verwaltung dieser Berechtigungen und die Verwaltung der Datensätze sind zentralisiert. Die Datenplattform ist außerdem speziell auf das Qualitätsmanagement in der Fertigung zugeschnitten. Ein wichtiger Punkt ist jedoch, dass ohne eine Plattform keine der segmentspezifischen Lösungen existieren kann und ohne eine skalierbare End-to-End-Plattform keine der Lösungen durchgängig, skalierbar und flexibel sein kann, um komplexe Modelle schnell genug zu entwickeln und einzusetzen. Hier haben Data Scientists außerdem die Gelegenheit, von den Möglichkeiten moderner Programmier- und Machine-Learning-Frameworks wie Python und Scikit-learn, R, Scala und SparkML sowie allen Varianten von Keras und Tensorflow direkt innerhalb der Plattform über CML zu profitieren.

Bildergalerie

Konsequente Entwicklung

Ob diese neuen Techniken tatsächlich eingeführt und genutzt werden, ist von Unternehmen zu Unternehmen unterschiedlich. Hierbei sind es weniger regionale Unterschiede als vielmehr Tradition und historischer Marktanteil, die bestimmen, wie schnell die Einführung neuer Techniken voranschreitet. Da die Kunden qualitativ hochwertige Produkte aus dem Fertigungssektor erwarten und gesetzliche Vorschriften verschärft werden, sind die Vorteile einer aggressiven Risikobereitschaft begrenzt. Jedoch kommen Produzenten über kurz oder lang nicht mehr an einer Modernisierung ihrer Herstellung vorbei – denn Zuverlässigkeit und Effizienz des Prozesses entscheiden zukünftig auch über den langfristigen Erfolg und somit auch über das Überleben des Unternehmens auf dem Markt.

* Daniel Metzger ist Regional Vice President Central & Eastern Europe bei der Cloudera Inc. in CA 94306 Palo Alto (USA). Weitere Informationen: Akima Media GmbH, Tel. (0 89) 1 79 59 18-0, couldera@akima.de

(ID:46655184)