Leistungsfähiges Edge Computing
Hohe Latenz kann richtig teuer werden
Latenzen können Geld kosten
Die Leistung dieser Anwendungen wird oft in Millisekunden gemessen, wobei die Latenz schwerwiegende Folgen haben kann. Die Latenzzeit ist etwa der Unterschied auf einer Bohrinsel zwischen A) Sensoren, die ganz unterschiedliche Parameter überwachen – z.B. die Vibrationen und die Temperatur eines Bohrkopfs messen und den Beginn eines Risses im Bohrkopf vorhersagen – und B) Ingenieuren, die den Bohrer einfach offline schalten, und C) einem Riss im Bohrkopf, der zu einem plötzlichen und katastrophalen Ausfall führt. Ähnlich verhält es sich mit der Latenzzeit in einem automatisierten Lager, in dem KI-betriebene Roboter bestimmte Aufgaben ausführen: Da sind zum einen jene Bots, die auf einem Raster vorgegebener Bahnen millimetergenau aneinander vorbeifahren und im Vergleich dazu jene, die kollidieren, weil die KI keine Schlüsseldaten empfangen oder verarbeitet hat.
Millionen Datenpunkte
Warum Latenz überhaupt auftritt, dafür gibt es einige Gründe. Zunächst bedeuten Edge Computing und IoT, dass es sich um eine beträchtliche Datenmenge handelt, die von Millionen von Endpunkten generiert, gestreamt und verarbeitet wird – allein das ist schon eine Herausforderung. Dabei wechseln die Knoten von den Sensoren bis hin zu den lokalen Rechenzentren, so dass auch die Verarbeitungsmöglichkeiten variieren. Damit reicht die Kapazität der Netzwerke, die die Daten an ein zentrales Rechenzentrum übertragen würden, möglicherweise nicht aus, ist unzuverlässig oder die Entfernungen sind groß, was zu Latenzzeiten führen dürfte. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Aggregieren im Strom
Zuverlässiges Edge Computing ist nur mit einer Datenarchitektur zu erzielen, die die Vorteile sowohl bei der Software als auch bei den Speicherschichten ausnutzt. Bei Ersterem kann die Einbettung von Streaming-Fähigkeiten in die Anwendungen und der Einsatz von Parallelverarbeitung zu hoher Leistung und niedriger Latenz führen. In der Edge sind aufwendige Analytik und KI-Applikationen zur schwer realisierbar, wenn die Rechenleistung durch den physischen Raum begrenzt ist. Viele Edge-Sites haben nicht genug Platz für eine Hardware-Infrastruktur mit Servern eines Rechenzentrums. Eine Streaming-Engine ist dort wichtig für die Aufnahme, Transformation, Verteilung und Synchronisierung der Daten während ihrer Generation und nicht erst danach. Dabei ist es wichtig, dass diese Engine über eine optimierte Code-Basis verfügt und möglichst wenig Ressourcen beansprucht. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Im Hauptspeicher verarbeitet
Wenn es um die Verarbeitung und Analyse von Daten geht, hilft der Systemspeicher weiter. Denn eine Reihe von vernetzten, gruppierten Knoten kann den Speicher für Anwendungen bündeln, um Datenstrukturen mit anderen Anwendungen zu teilen, die im Cluster ausgeführt werden. Mit einem In-Memory-Data Grid müssen die Daten nicht mehr das Netzwerk für eine Remote-Verarbeitung durchqueren, was die Antwortzeiten verzögern kann. In-Memory kann Antwortzeiten von weniger als einer Millisekunde liefern, wobei Millionen komplexer Transaktionen pro Sekunde ausgeführt werden. Ganz gleich, ob Daten von einem Sensor in der Produktion stammen oder ob ein KI-Roboter mit Daten gefüttert wird – die Verarbeitungszeit kann den Unterschied zwischen dem Erfolg und Misserfolg ausmachen. Eine softwarebasierte Architektur zur Datenverarbeitung, die die Vorteile einer In-Memory-Grid-Architektur ausnutzt, kann demnach die richtige Wahl sein, weil so die Rechenleistung in nächster Nähe zu den Daten gebündelt zur verfügung steht.
