AI World inzichten: De energiekosten van edge-data ontgrendelen

Een fireside chat op AI World besprak de kwesties die geconfronteerd worden bij het extraheren van data van de edge.

Men kan vergeven worden voor het aannemen dat fabrikanten klaar zijn om hun diverse productiesystemen open te kraken en te beginnen met het benutten van de data die erin gevangen zit. De realiteit kan veel gecompliceerder zijn.

De kwesties die geconfronteerd worden bij het extraheren van data van de edge werden verkend in een fireside chat met Joseph Etris, engineering project manager bij Continental Automotive Systems, begleitet door John Auld, regionale sales director bij Zededa, Inc. Ik had de kans om de sessie te moderen, deel van de recente AI World conferentie in Boston.

Zie ook: Productie leidt de IoT-pak

Etris' eenheid bij Continental produceert katalysatoren voor de autosector – een energie-intensieve taak. In 2018 zetten Etris en zijn team uit om elektriciteitsgebruik en gerelateerde emissies over zijn bereik van Siemens programmable logic controllers (PLCs), eerst geïnstalleerd in de jaren 90, vast te leggen, te analyseren en te mitigeren. De uitdaging, legde Etris uit, was het extraheren van SCADA-data van de PLCs om te integreren met data afkomstig van de nieuwere elektrische sensoren.

Terwijl veel vendors claimen dat oudere industriële systemen hun data in een perfecte IoT-wereld gemakkelijk kunnen opgeven, is ver van het geval, vertelt Etris. Legacy productiesystemen zijn vaak niet ontworpen om open te zijn, en zijn vaak niet netwerk-ingeschakeld.

Auld, die Siemens vertegenwoordigde op dat moment, werkte met het Continental-team om de PLC-data te extraheren en realtime calibratie te bieden. Bovendien wordt de data elke 10 minuten geüpload naar een cloud-repository op Amazon Web Services.

De uitdagingen die Continental tegenkwam is symptomatisch voor de kwesties die over het productielandschap heen geconfronteerd worden, legt Auld uit. "Er is veel donkere data die bestaat in silo's binnen veel bedrijven." Niet alleen presenteert dit technische uitdagingen, maar organisatorische ook, aangezien meerdere teams aan boord moeten zijn met AI over IoT-inspanningen.

Databeheer in de AI en IoT-era was een ander gebied besproken door panelisten. Veel organisaties zullen worstelen met groeiende volumes data streamend in hun systemen van diverse arrays van controllers en sensoren, en eindigen er vaak met het depositeren in data lakes.

Fabrikanten moeten een gemeenschappelijke interface-laag etablere die data van alle generaties productiesystemen kan extraheren en lezen, zei Auld. Bovendien moet consistentie gewaarborgd worden, aangezien data van diverse systemen verschillende betekenissen en drempels kunnen hebben. De uitdaging voor veel fabrikanten is dat ze veel afzonderlijke fabrieken kunnen hebben, elk met hun eigen initiatieven en standaarden.