Algorithmen auswählen
Zum maschinellen Lernen sind die richtigen Lern- und Modellierungsalgorithmen auszuwählen, repräsentative Trainingsdaten zu definieren, aufzubereiten und zu speichern, aus den Trainingsdaten sinnvolle Modelle zu erzeugen und dieses dann mit Laufzeitdaten zu vergleichen. Diese Aufgaben erfordern geeignete Sensorik, Softwarewerkzeuge und -architekturen. Dienstleister für Data Analytics unterstützen die Anwender auch dabei, kommerzielle ML-Werkzeuge zu bewerten und auszuwählen. Die Forschung zu maschinellem Lernen geht weiter: relevant sind beispielsweise Fragen zu maschinellem Lernen mit extrem großen oder sehr kleinen Datenmengen, zur Kombination von maschinellem Lernen mit physikalischem oder Expertenwissen sowie Sicherheit und Transparenz von ML-Modellen. Edge- und Cloud-Computing
Wie beschrieben erfordern sinnvolle Anwendungen künstlicher Intelligenz qualitativ hochwertige Daten, auf deren Basis dann Modelle erzeugt werden können. Wo aber werden zukünftig die anfallenden Daten verarbeitet oder die Modelle gelernt? Aktuell zeichnet sich ab, dass zukünftig Edge-Rechenzentren diese Aufgabe übernehmen. Unter Edge Computing versteht man, Rechenleistung, Software-Anwendungen, Datenverarbeitung und Dienste unmittelbar an die logische Randstelle eines Netzwerks zu verlagern, etwa einer Linie oder einer kompletten Fabrik. Studien prognostizieren, dass Edge Computing durch die zu erwartende Datenvielfalt, die erforderliche Verarbeitungsgeschwindigkeit und -leistung bis zum Jahr 2025 um rund 30 Prozent jährlich zunimmt. Edge-Rechenzentren, untereinander verbunden zu einer Cloudinfrastruktur, sind damit skalierbar und bieten auch mittelständischen Unternehmen die Möglichkeiten, Cloudtechnologien zu nutzen, ohne in eine eigene Infrastruktur investieren zu müssen.
Edge-Rechenzentren übernehmen beispielsweise folgende Aufgaben:
- Sammeln und Interpretieren von Daten aus Sensoren und Maschinensteuerungen, Maschinelles Lernen der Modelle,
- Vergleiche zwischen Modellen und Laufzeitdaten,
- Speichern von Messdaten, z.B. Bilddaten aus Qualitätssystemen,
- Berechnen von Maschinenparametern,
- andere maschinennahe, aber nicht echtzeitrelevante Funktionen.