In den letzten Jahren hatte Fabian Hering (Solution Expert at PlanB., connect via LinkedIn) die Gelegenheit, viele IoT-Datenlösungen zu beraten und zu beobachten und er verfolgt weiterhin die Entwicklungen in diesem Bereich. Mit der generativen KI, die die Geschäftswelt umkrempelt, hat er seine Gedanken und Strategien in moderne hybride Lösungen einfließen lassen. Diese Lösungen ermöglichen kontinuierliche, sichere Prozesse auf den Edge-Geräten und bieten gleichzeitig die Skalierbarkeit der Cloud.
In der heutigen, schnelllebigen Industrielandschaft verändert die Integration von GenAI und maschinellem Lernen die Art und Weise, wie wir komplexe Datenströme verarbeiten und verstehen. Die Erfassung und Verwaltung von Produktionsdaten ist unverzichtbar geworden und ermöglicht Prozesse wie z. B.:
Live Monitoring
Anomaly Detection
Process Data Correlation
Predictive Maintenance
Diese Fortschritte sind nicht nur optionale Erweiterungen, sondern unverzichtbare Werkzeuge zur Verbesserung der Qualität, zur Gewinnung von Erkenntnissen und zur Erhaltung der Wettbewerbsfähigkeit.
Überwindung von Akzeptanzproblemen
Trotz der klaren Vorteile steht die Einführung dieser Technologien vor Herausforderungen aufgrund der verteilten Natur der Dienste und Sicherheitsbedenken. Während Cloud-Computing skalierbare und bequeme Dienste für GenAI und maschinelles Lernen bietet, integriert es sich nicht nahtlos mit Datenaggregationsdiensten in Produktionsumgebungen. Dies schafft eine riskante Abhängigkeit, die kritische Operationen stören kann. Im Gegensatz dazu ist die Erhöhung der Rechenleistung am Rand sowohl kostspielig als auch komplex.
Weder die Bindung kritischer Abhängigkeiten an die Cloud noch der Versuch, Big-Data-Dienste on edge zu replizieren, ist kosteneffizient, sicher oder praktisch.
Eine hybride Lösung: Adaptive Cloud Patterns
Die Lösung liegt in einem hybriden Ansatz mit adaptiven Cloud-Mustern. Durch die Klassifizierung von Diensten und Daten basierend auf Anwendungsfall, Priorität und Sicherheitsanforderungen können sie entsprechend verteilt werden. Eine leichtgewichtige Edge-Verteilung, die direkt am Gerät oder auf der Fertigungsebene eingesetzt wird, verarbeitet alle kritischen Dienste und Daten unabhängig von Cloud-Diensten und gewährleistet volle Funktionalität auch ohne Nordbound-Konnektivität.
Edge kann sich mit der Cloud verbinden, aber die Cloud hat niemals direkten Zugriff auf Edge.
Die Cloud-Integration wird durch einen minimalen Einsatz auf dem Edge-Cluster erreicht, der die Datenübertragung zwischen Edge und Cloud verwaltet.
Der Datentransport wird streng kontrolliert und vom Edge initiiert.
Maßgeschneiderter Service Verteilung
Je nach Geschäftsvorfall können die Dienste genau verteilt werden:
Welche Daten müssen am Rande verarbeitet werden? (z. B. Echtzeit-Verarbeitung, gesetzliche Auflagen, Sicherheitsanforderungen)
Welche Dienste können entkoppelt werden und vom Cloud Computing profitieren? (z. B. Analytik, KI, Überwachung)
Welche Dienste dürfen von der Cloud-Infrastruktur abhängen?
Diese Flexibilität reicht von der Verarbeitung eines einzelnen Datenpunkts am Netzwerkrand bis hin zu einer umfassenden Cloud-Integration, wie z. B. Digital Twins. Tools wie Akri erleichtern die automatische Erkennung von Diensten, reduzieren den Verwaltungsaufwand und vereinfachen die Integration.
Wichtige Überlegungen für Adaptive Cloud IoT
Datensicherheit und Datenschutz: Datensicherheit und Datenschutz sind von größter Bedeutung, insbesondere beim Umgang mit sensiblen Produktionsdaten. Die Implementierung von Verschlüsselungstechniken und sicheren Kommunikationsprotokollen ist unerlässlich.
Interoperabilität: Die Fähigkeit, verschiedene IoT-Geräte und -Systeme nahtlos zu verbinden, ist entscheidend. Standards und Protokolle wie MQTT, OPC UA oder CoAP spielen dabei eine wichtige Rolle.
Skalierbarkeit: IoT-Lösungen müssen so konzipiert sein, dass sie mit wachsenden Datenmengen und einer steigenden Anzahl von Geräten skalieren können.
Energie-Effizienz: IoT-Geräte werden häufig in Umgebungen mit begrenzter Stromversorgung eingesetzt, was den Bedarf an energieeffizienten Hardware- und Softwarelösungen unterstreicht.
Benutzerfreundlichkeit: Die Benutzerfreundlichkeit von IoT-Plattformen und -Tools ist entscheidend für die Akzeptanz und die erfolgreiche Umsetzung. Intuitive Benutzeroberflächen und eine umfassende Dokumentation unterstützen dies.
Azure IoT-Betrieb: Nahtlose Integration
Azure IoT Operations von Microsoft nutzt das Azure Arc-Toolset, um Daten von Produktionsstandorten in Azure zu integrieren, was eine lokale Auswahl und Transformation ermöglicht. Es gewährleistet eine reibungslose IoT-Datenintegration mit Azure-Cloud-Diensten wie z. B.:
Processing & Storage:
AI & Machine Learning:
Azure IoT Operations sorgt dafür, dass der Edge-Betrieb sicher und unabhängig bleibt und ermöglicht gleichzeitig eine effiziente Datenextraktion für Cloud-basierte Analysen und Erkenntnisse.
Zukunftsvision
Adaptive Cloud-Muster entwickeln sich rasch weiter, um den Anforderungen der Branche gerecht zu werden. Kritische Edge-Vorgänge werden weiterhin unabhängig und sicher am Edge ausgeführt. Asynchrone Datenoperationen werden zunehmend in die Cloud verlagert, um die Skalierbarkeit und nahtlose Integration mit Cloud-Diensten zu nutzen.