Machine Learning (ML) für das IoT
            

Im Internet der Dinge (IoT) erzeugen Millionen von Geräten immense Datenmengen. Machine Learning macht sich diese Daten zunutze und leitet daraus neue Erkenntnisse ab. Algorithmen ermittelen bei Machine Learning aus den Daten Muster und erstellen Modelle, mit denen sich künftiges Verhalten und Ereignisse besser vorhersagen lassen.

Was ist Machine Learning?

Durch IoT und Machine Learning gelangen Sie an Informationen, die in den IoT-Daten verborgen sind. So können Sie rasch und automatisiert handeln und besser entscheiden. Machine Learning für das IoT ermöglicht die Erfassung von Bild-, Video- und Audiodaten. Es lassen sich Trends ablesen, Anomalien feststellen und fundierte Erkenntnisse gewinnen.

Wozu Machine Learning für das IoT?
Machine Learning analysiert riesige IoT-Datenmengen anhand komplexer Algorithmen, legt versteckte Muster frei und bringt auf diese Weise Licht ins Dunkel des Datendschungels. Es kann manuelle Vorgänge in kritischen Prozessen durch automatisierte Vorgänge auf Basis statistischer Auswertungen ergänzen oder ersetzen.

Anwendungsfälle
Unternehmen nutzen Machine Learning für das IoT in verschiedenen Szenarien - z.B.  zur Prognose und vorausschauenden Analyse, um neue Erkenntnisse zu erhalten und Maßnahmen effizient zu automatisieren.

Mittels Machine Learning für das IoT können Sie: 

  • Daten aufbereiten und in ein konsistentes Format bringen
  • Ein Machine-Learning-Modell erstellen
  • Dieses ML-Modell in der Cloud, an der Edge oder auf lokalen Geräten implementieren

Beispielsweise kann ein Unternehmen mittels Machine Learning die Qualitätsprüfung und Mängelverfolgung am Montageband automatisieren, die Aktivitäten vom Geräten verfolgen oder Muster bei Verbrauch und Bedarf vorhersagen.

Vorteile von Machine Learning für das IoT

Machine Learning ist ein zentraler Bestandteil von Cumulocity IoT, der Low-Code-Self-Service-Plattform der Software AG. Die Plattform verfügt bereits von Haus aus über alle Tools, die zum Erreichen schneller Resultate benötigt werden: Gerätekonnektivität und -management, Application Enablement und Integration sowie Streaming Analytics, Machine Learning und Implementierung von ML-Modellen. Die Plattform ist für Cloud-, On-Premise- und Edge-Betrieb erhältlich. Das Besondere an Cumulocity IoT: Auch Stand-Alone-Lösungen nur für den Edge-Bereich werden unterstützt.

Kinderleichtes Training von ML-Modellen
Mit Cumulocity IoT Machine Learning lassen sich neue ML-Modelle schnell und einfach erstellen. Dank AutoML-Unterstützung können Sie auf der Grundlage Ihrer Daten das richtige ML-Modell auswählen. Dabei spielt es keine Rolle, ob es sich um operative Gerätedaten in Cumulocity IoT oder um historische Daten in Big-Data-Archiven handelt.

Freie Wahl der Data-Science-Bibliothek
Zur Entwicklung von ML-Modellen stehen Ihnen zahlreiche Data-Science-Bibliotheken zur Verfügung (Tensorflow®, Keras, Scikit-learn usw.). Mit Cumulocity IoT Machine Learning können Sie Modelle im Data-Science-Framework Ihrer Wahl erstellen. Diese Modelle lassen sich mithilfe von Open-Source-Tools in gängige Formate umwandeln und zu Scoring-Zwecken in Cumulocity IoT bereitstellen. 

Dank zügiger Modellimplementierung schnell am Start
Ganz gleich, ob das Modell mit Cumulocity IoT Machine Learning erstellt oder aus anderen Data-Science-Frameworks importiert wurde: Das Modell lässt sich per Mausklick jederzeit in eine Cloud- oder Edge-Produktivumgebung einbetten. Operationalisierte Modelle sind leicht zu überwachen und können an veränderte Muster angepasst werden. Darüber hinaus stehen vortrainierte und verifizierte Modelle zur Verfügung, die sofort eingesetzt werden können.

Vorgefertigte Konnektoren für aktuelle Daten und Datenarchive
Cumulocity IoT Machine Learning ermöglicht den unkomplizierten Zugriff auf Daten in Operational Data Stores und historische Daten zu Modelltrainingszwecken. Diese Daten lassen sich periodisch abrufen, über einen automatisierten Prozess umwandeln und zum Trainieren von ML-Modellen verwenden. Die Daten können entweder auf Amazon® S3 oder Microsoft® Azure® Data Lake Storage oder in lokalen Datenspeichern gehostet und mit vorgefertigten Konnektoren von Cumulocity IoT DataHub abgerufen werden.

Integration mit Cumulocity IoT Streaming Analytics
Cumulocity IoT Machine Learning ermöglicht leistungsstarkes Scoring von IoT-Echtzeitdaten in Cumulocity IoT Streaming Analytics. In seinem Funktionsbereich für die visuelle Datenanalyse enthält Cumulocity IoT Streaming Analytics einen Machine-Learning-Baustein, mit dem Nutzer ein konkretes ML-Modell für das Scoring von Echtzeitdaten aufrufen können. Dieser stellt eine programmierfreie Umgebung zur Einbindung von ML-Modellen in Streaming-Analytics-Workflows bereit.

Notebook-Integration
Jupyter Notebook, ein De-facto-Standard im Bereich Data Science, bietet eine interaktive und programmiersprachenübergreifende Umgebung. Damit lassen sich Daten vorbereiten und verarbeiten sowie ML-Modelle trainieren, implementieren und validieren. Die Open-Source-Web-Anwendung ist in Cumulocity IoT Machine Learning integriert. 

Software AG und alle Produkte der Software AG sind entweder Marken oder eingetragene Marken der Software AG. Andere Produkte und Namen von Unternehmen, auf die Bezug genommen wird, sind möglicherweise Marken der jeweiligen Unternehmen.

ICS JPG PDF WRD XLS