Cloud vs. Edge
Predictive Quality: Was, wenn es schnell gehen muss
Bei Predictive-Quality-Anwendungen kann es sich auszahlen, nicht auf die Cloud, sondern auf Edge Computing zu setzen – vor allem dann, wenn es schnell gehen muss, erläutert Data-Science-Spezialist LeanBI.
Predictive-Quality-Anwendungen ermöglichen es, Industrieunternehmen die Qualität ihrer Produkte und Prozesse zu optimieren und somit auch Qualitätsprobleme zu erkennen, die sich kurzfristig anbahnen. Durch schnelles Eingreifen – beispielsweise das Verändern von Prozessparametern oder Maschineneinstellungen – lassen sich große Schäden oft verhindern. Bei besonders zeitkritischen Anwendungsfällen kann es laut LeanBI allerdings von Nachteil sein, Berechnungen – etwa von Machine-Learning-Verfahren – auf einer Cloud-Plattform auszuführen. Dafür gibt es vor allem zwei Gründe, so LeanBI:
- Unternehmen müssen die Sensormessdaten und Prozessparameter für die Berechnungen erst an die Cloud-Plattform senden, sie schickt die Ergebnisse der Berechnungen dann anschließend wieder zurück. Dadurch entstehen Zeitverzögerungen, die im Extremfall zu groß sein können.
- Der Datenaustausch mit der Cloud-Plattform erfordert eine stabile Internetverbindung. Diese können Unternehmen nur schwer selbst gewährleisten, beispielsweise wenn sich Fertigungshallen etwa an entlegenen Orten befinden. Unternehmen sind so dem Risiko eines Verbindungsausfalls ausgesetzt.
Diese Probleme können Unternehmen vermeiden, wenn sie die analytischen Berechnungen an der Edge ausführen – also direkt bei den Maschinen und Anlagen selbst. Zwar steht an der Edge nicht dieselbe Rechenleistung zur Verfügung wie in der Cloud, laut LeanBI gibt es aber mehrere Möglichkeiten, die Machine-Learning-Modelle so zu optimieren, dass sie weniger Performance benötigen und dadurch auf Edge-Systemen eingesetzt werden können: Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
- Durch sogenanntes Pruning lässt sich die Komplexität der Eingangsparameter senken.
- Mit Frameworks wie Learn2Compress von Google können die Layer von Deep-Learning-Modellen in ihrer Breite und Tiefe reduziert werden.
- Üblicherweise sind Machine-Learning-Modelle in der Programmiersprache Python geschrieben. Mit Compilern lassen sie sich in Sprachen wie C# übersetzen, die weniger Prozessorleistung benötigen.
Die Edge hat gegenüber der Cloud aber auch Nachteile, etwa in Sachen Effizienz. So benötigt die Cloud durch ihren Lastenausgleich in Summe oft weniger Rechenkapazität als die Edge – und ist dann kostengünstiger.
