»Internet of Things«: »IoTisierung« leicht gemacht

Fortsetzung des Artikels von Teil 1.

Auch die US-Armee nutzt die Cloud

Und dass diverse Unternehmen der Cloud immer noch skeptisch gegenüber stehen, kann Pauzet nicht verstehen. Seiner Meinung nach habe sich die Cloud in den letzten 15 Jahren deutlich weiterentwickelt und sei heute ausgereift, so dass keiner Bedenken haben müsse, dass die eigenen Daten in der Cloud nicht sicher sind. Wie weit fortgeschritten diese Entwicklung ist, zeigt für ihn auch die Tatsache, dass Unternehmen/Institutionen, die früher der Cloud gegenüber kritisch standen, heute in die Cloud wechseln: »Selbst die US-Armee hat sich Anfang des Jahres dazu entschieden, jetzt auch die Cloud zu nutzen«, erklärt Pauzet abschließend.

Wer braucht schon Data-Scientist?

Von Weidmüller gibt es eine weitere wichtige Entwicklung, die die „IoTisierung“ vorantreiben kann, dieses Mal im Umfeld von Maschinenlernen. Tobias Gaukstern, Vice President Industrial Analytics bei Weidmüller. »Im industriellen Umfeld wird eine Datenanalyse beispielsweise für die Anomalie-Erkennung und -klassifizierung aber auch für Predictive Maintenance oder Predictive Quality genutzt.« Aber auch Maschinenlernen ist alles andere als einfach, aber Gaukstern ist überzeugt, dass diese Technologie vielen Unternehmen Vorteile bringt, wenn sie denn nur die richtigen Tools zur Verfügung haben, und zeigt am Beispiel Boge, Hersteller von Kompressoren, wie das funktionieren kann.

Aus der Sicht von Data-Scientists stellt sich die Frage, ob das Know-how von Automatisierungs- und Maschinenbauern überhaupt notwendig ist, um ein gutes Modell zu entwickeln, denn sie sind eben keine Data-Scientist. Allerdings sind die Automatisierungsspezialisten typischerweise notwendig, um die aufgrund des Modells gefundenen Zusammenhänge ingenieurmäßig zu interpretieren. »Das wiederum können die Data-Scientists nicht, denn sie sind wiederum keine Automatisierungs- und Maschinenexperten«, so Graukern. Also ist aus seiner Sicht folgende Frage ebenfalls berechtig: Brauche ich überhaupt das Know-how von Data-Scientists, um ein gutes Modell zu erstellen?

Seiner Meinung nach nicht. Zwar gebe es viele Hürden bei der ML-Anwendung in der Industrie, wie beispielsweise fehlende Programmierkenntnisse, fehlende statistische Kenntnisse, Unverständlichkeit der ML-Algorithmen oder mangelnde Datenqualität. Aber mit einem neuen Ansatz, könne ML trotzdem genutzt werden, auch für Nicht-Datenspezialisten. »Wir haben uns die Frage gestellt, was notwendig ist, damit Applikationsexperten selbst ML-Modelle kreieren können? Denn es gibt viel mehr Domänenexperten als Data Scientist. Und das Wissen der Domänenexperten ist ohnehin notwendig«, so Graukern. Also habe Weidmüller eine Software entwickelt, die ein assistiertes Erzeugen von ML-Modelle ermöglicht und dabei Ziele verfolgt, wie »die Erzeugung eines eigenen Modells innerhalb von 20 Minuten, und das ohne, dass ML-Know-how notwendig ist.

Und der Ansatz scheint aufzugehen, zumindest bestätigt das Boge. Seitens der Firma heißt es, dass die Erzeugung und die Auswahl des Modells einfach, schnell und intuitiv waren. »In weniger als 20 Minuten konnte das erste Anomalie-Klassifizierungsmodell erstellt werden«, ist ebenfalls ein Zitat von Boge. Und dass auch die Weiterentwicklung der Modelle einfach ist, konnte Boge bestätigen.