Edge Analytics

Sobald über das Datenmanagement relevante Daten vor Ort zur Verfügung stehen, können diese mit Edge Analytics-Algorithmen analysiert werden, um z. B. die Qualität eines Produkts bei der Herstellung oder den Wartungszustand (Predictive Maintenance) einer Anlage zu erkennen.

Dabei steht der Begriff »Edge« für eine Analyse direkt im Produktionsbereich, also nicht in der Cloud. Der Vorteil dieser Vorgehensweise liegt darin, dass keine Daten über potentiell unsichere Kommunikationsmedien an externe Cloud-Server übertragen werden müssen. Auf alle für die Analyse relevanten Daten kann mit minimaler Verzögerung (low latency) und unter Echtzeitbedingungen (real-time) zugegriffen werden. Dies erhöht die Zuverlässigkeit von Systemen enorm und härtet Anlagen und Analyseergebnisse gegen Cyberangriffe ab, da relevante Daten vor Ort und damit gesichert im Besitz des Anlagenbetreibers verbleiben. Sollten standortübergreifende Analysen in der Cloud bestimmte Daten benötigen, können diese gezielt ausgewählt und in die Cloud gesendet werden.

Unser Know-how liegt darin, dass wir auf Basis von Embedded Systemen aus Daten vor Ort die richtigen Schlüsse schließen können. Weiterhin sind wir in der Lage, diese Ergebnisse entsprechend in die Systeme unserer Kunden zurückzuspiegeln.

Für die Umsetzung von Edge Analytics Aufgaben greifen wir je nach Anforderung auf unterschiedliche Verfahren zurück. Beim Lernvorgang wird unterschieden in Verfahren mit überwachten und unüberwachten Lernen.

Edge Analytics nutzt z.B. folgende Verfahren:

• Deep Learning auf Basis von unterschiedlichen Architekturen von neuronalen Netzen, wenn ausreichend Trainingsdaten zur Verfügung stehen.
• Clustering bzw. Klassifikationsmethoden
• Regressionsmethoden

Unsere Algorithmen sind auf ressourcenlimitierten Systemen wie z.B. Embedded Systeme auf Basis von ARM-Prozessoren lauffähig. Dabei besteht durchaus die Möglichkeit, bereits in der Produktion genutzte Komponenten mit noch ausreichend freie Rechenressourcen funktional zu erweitern. Sollte die Rechenleistung des genutzten Prozessors für die notwendigen Analyseaufgaben oder für einen vor Ort stattfindenden Lernprozess nicht ausreichen, sind wir in der Lage, das System mit entsprechenden Hardwarebeschleunigungsmethoden zu erweitern und so bei der Bewältigung seiner Aufgabe unter die Arme zu greifen. Dazu nutzen wir je nach Anforderungen und Bedarf komplexe programmiere Logik in Form von FPGAs, Grafikprozessoren oder kommerziell verfügbare Neuromorphe Prozessoren.