Vor- und Nachteile von Edge und Cloud

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.

(Bild: ©Jacky/stock.adobe.com)

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:

  • •  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.

Keine generelle Empfehlung

“Eine generelle Empfehlung für Edge oder Cloud gibt es nicht. Faktoren wie Antwortzeiten, Netzwerkverfügbarkeit und Kosten müssen in jedem konkreten Einzelfall sorgfältig gegeneinander abgewogen werden”, erklärt Marc Tesch, Inhaber und CEO von LeanBI. “Das Ergebnis kann dann auch durchaus eine Kombination sein, bei der Daten an der Edge aufbereitet und vorgefiltert werden und nur die notwendigen Daten zur Weiterverarbeitung in die Cloud gehen.” mst/LeanBI

Das könnte Sie auch interessieren

Die Materialknappheit in der Industrie hat sich etwas entspannt. Im August beklagten sie noch 62 Prozent der befragten Firmen, nach 73,3 Prozent im Juli. Der August-Wert ist der niedrigste seit über einem Jahr. ‣ weiterlesen

Im Rahmen einer Partnerschaft wollen GDS und Transaction-Network zukünftig Maschinen- und Anlagenbauern gemeinsame Lösungen anbieten.‣ weiterlesen

Bei der Ausbildung von Fachkräften wird viel Wert auf eine Kombination von Theorie und Praxis gelegt. Was aber, wenn es Geräte, die für praktische Aufgaben erforderlich sind, am Lernort nicht gibt oder es sinnvoll ist, mit verschiedenen Gerätevarianten zu lernen, die aber nicht alle verfügbar sind? Und was tun, wenn das Üben an einer realen Anlage noch zu gefährlich oder nur eingeschränkt möglich ist? In all diesen Fällen kann virtuelle Realität helfen. ‣ weiterlesen

Vom 27. bis 29. September 2022 trifft sich die Verpackungsbranche auf der Fachpack in Nürnberg. Die Fachmesse für Verpackung, Technik und Prozesse steht in diesem Jahr unter dem Leitthema ‘Transition in Packaging’. ‣ weiterlesen

Unsicherheiten in Lieferketten sowie Verwerfungen auf den Beschaffungs- und Absatzmärkten zwingen Unternehmen mit globalen Handelsbeziehungen dazu, ihre Produktions- und Logistiknetzwerke anzupassen oder gar neu auszurichten. Um die vielschichtigen Herausforderungen dabei im Blick zu halten, hilft der folgende Dreistufenplan.‣ weiterlesen

Bestandsdaten digital erfassen, operative Prozesskosten für die Lagerhaltung von c-Teilen reduzieren: Der Automatisierungsspezialist Balluff hat mit dem Smart Reordering System eine Lösung entwickelt, mit der Lagerbestände bedarfsgerecht aufgestockt werden können. Der Verpackungsspezialist Just Pack nutzt die Lösungen bereits, um neue Services anzubieten ‣ weiterlesen