Wir leben in einer Welt vernetzter Geräte. Von den Uhren an unseren Handgelenken bis zu den Türklingeln vor unseren Häusern – IoT-Geräte sind überall. Entsprechend aktuelle Studienwird geschätzt, dass es in den nächsten vier Jahren weit über 24 Milliarden IoT-Geräte geben wird, und mit einer Fülle dieser Geräte kommt eine Fülle von Daten. Wie können Analysesysteme, die diese Geräte verwalten müssen, möglicherweise ihre Milliarden von Telemetrienachrichten verfolgen und analysieren und schnell genug auf aufkommende Probleme reagieren?
Stellen Sie sich zum Beispiel eine Gesundheitsanwendung vor, die Tausende von Patienten über Smartwatches überwacht. Diese Anwendung muss die von jeder Smartwatch eingehenden Daten analysieren und sie zur Analyse mit dem Gesundheitszustand und der Krankengeschichte des entsprechenden Patienten abgleichen. Wenn es neue medizinische Probleme erkennen, ihre Dringlichkeit klassifizieren und in Sekundenschnelle reagieren soll, muss es in der Lage sein, die Telemetrie kontinuierlich zu analysieren, sobald sie eintrifft. Aktuelle Softwaretechnologien, die nur eingehende Daten für Abfragen oder Offline-Analysen protokollieren, können nicht schnell genug reagieren, um im Moment proaktive Entscheidungen für Patienten zu treffen.
Diese Herausforderung wird durch die Schwierigkeit beim Schreiben von Analysealgorithmen für Streaming-Daten weiter verkompliziert, die dynamische Messungen physikalischer Systeme verfolgen. Sensordaten, wie EKG-Daten von Herzmonitoren oder Temperatur-/Druck-/Drehzahldaten von Motoren und Luftkompressoren, haben oft komplexe Wellenformen, die Muster verbergen, die aufkommende Probleme beschreiben, die Aufmerksamkeit erfordern.
Neue Softwaretechnologie verspricht, diese Herausforderungen anzugehen und Streaming-Analysen zu ermöglichen, um große Populationen von IoT-Geräten schnell und effektiv zu verfolgen. Diese Technologie kombiniert die Leistungsfähigkeit von In-Memory-Computing mit der digitaler Zwilling Softwaremodell, mit dem eingehende Telemetriedaten von Millionen von Geräten sofort analysiert werden können – während sie einfließen – anstatt Protokolldateien oder Historian-Datenbanken und Offline-Analysen zu erfordern. Es kann anormale Ereignisse sofort signalisieren und Warnungen an das Personal senden.
In-Memory-Computing-Plattformen nutzen die kombinierte Rechenleistung vieler Cloud-basierter oder lokaler Server, die zusammenarbeiten, um Informationen über jedes IoT-Gerät im Speicher für einen schnellen Zugriff zu hosten. Sie kombinieren diese Informationen mit eingehender Telemetrie, um ihr Wissen über den Zustand jedes Geräts zu aktualisieren. In-Memory-Computing kann all dies in Millisekunden mithilfe des digitalen Zwillingsmodells erledigen, einer Softwaretechnik, die ursprünglich für den Bau und die Bewertung neuer Geräte entwickelt wurde. Bei Verwendung für Streaming-Analysen enthält ein digitaler Zwilling für jedes Gerät Informationen über das Gerät und verarbeitet eingehende Telemetriedaten. Dies vereinfacht das Design des Analysecodes und ermöglicht eine schnelle Ausführung.
Obwohl Analysecode normalerweise in gängigen Programmiersprachen wie Java und C# erstellt wird, kann das Erstellen von Algorithmen, die aufkommende Probleme aufdecken, die in einem Telemetriestrom verborgen sind, entmutigend oder zumindest komplex sein. In vielen Fällen kann der Algorithmus selbst unbekannt sein, da die zugrunde liegenden Prozesse, die zu Anomalien und letztendlich zu Geräteausfällen führen, nicht gut verstanden werden. Algorithmen des maschinellen Lernens (ML) können dabei helfen, dieses Problem anzugehen, indem sie automatisch anormale Muster in den Telemetrienachrichten eines Geräts und den zugehörigen Zustandsinformationen erkennen, die sonst für Menschen schwer zu erkennen sind. Nach dem Training mit historischen Daten, die als normal und anormal klassifiziert wurden, gefolgt von Tests und Verfeinerungen, kann ein ML-Algorithmus diese dynamischen Informationen überwachen und das Personal warnen, wenn er vermutetes anormales Verhalten beobachtet. Es ist keine manuelle Analysecodierung erforderlich.
Digitale Zwillingsmodelle eignen sich gut, um ML-Algorithmen zu hosten und sie für jedes IoT-Gerät separat auszuführen. Wenn sie auf einer In-Memory-Computing-Plattform gehostet werden, können digitale Zwillinge kontinuierlich ML-Algorithmen ausführen, um Telemetriedaten für riesige Populationen von Geräten zu verarbeiten. Beispielsweise kann eine Gesundheitsanwendung ML verwenden, um die medizinische Telemetrie von der Smartwatch jedes Patienten zu verfolgen und sie mit dem Wissen über die Krankengeschichte des Patienten zu kombinieren, um schnelle, fundierte Entscheidungen über die Notwendigkeit einer Intervention zu treffen.
Mit der rasanten digitalen Transformation und dem zunehmenden Einsatz von IoT-Geräten in allen Branchen wächst der Bedarf an verbessertem Situationsbewusstsein und zeitnaher Entscheidungsfindung schnell. Streaming-Analysesysteme können sich nicht mehr auf Protokolldateien und Offline-Analysen verlassen, um die riesigen Datenmengen zu verfolgen, die von ständig wachsenden Populationen von IoT-Geräten einfließen. Glücklicherweise bietet eine neue Softwaretechnologie, die In-Memory-Computing, digitale Zwillinge und ML kombiniert, das Potenzial, Betriebsleitern bessere Einblicke als je zuvor in die Flut von Telemetriedaten zu geben, die sie täglich verfolgen müssen.
Möchten Sie von Branchenführern mehr über das IoT erfahren? Kasse IoT Tech Expo findet in Amsterdam, Kalifornien und London statt.
Informieren Sie sich über weitere bevorstehende Veranstaltungen und Webinare zu Unternehmenstechnologie, die von TechForge unterstützt werden hier.
