Am realen Objekt orientieren
Um den tatsächlichen Bedarf in Projekten zu verstehen, sollte Edge Computing in realen Szenarien angewendet werden. In bestimmten Gebäuden kann beispielsweise eine Videoverarbeitung erforderlich sein. In der Nähe von stark frequentierten Gebäuden müssen gefährliche Gegenstände, wie Feuerwerkskörper, erkannt werden. Die äußere Gestaltung der Computerausrüstung sollte dabei auf den Architekturstil des Gebäudes abgestimmt sein. Im Sommer müssen die Algorithmen auch noch bei einer Betriebstemperatur der Geräte von 70°C laufen. An solche praktischen Dinge denken die Algorithmusentwickler vielleicht oft nicht. Daher liegt die Herausforderung für Edge Computing darin, die Kluft zwischen KI-Technologie und Fertigungs- und Industrieketten zu überbrücken. Laut einer Studie von Deloitte ist der Mangel an Fachkräften, die sich mit KI-Anwendungen auskennen, für 27% der deutschen Unternehmen eine wesentliche Herausforderung. Zudem müssen KI-Verantwortliche bei 21% der von Deloitte befragten Unternehmen Überzeugungsarbeit auf der Führungsetage leisten. Diese Defizite bremsen das Entwicklungstempo.
Top-Level-Design für die Cloud-Edge-Zusammenarbeit
Für die Cloud-Edge-Zusammenarbeit ist ein passendes Lösungsspektrum für die Verwaltung der Cloud-Edge-Ressourcen und die Aufgabenplanung erforderlich. Zur Hardware- und Softwarelösung kommen die Algorithmen, die Cloud-Plattformen sowie ein Edge-Ressourcenmanagement. Förderlich für die industrielle Zusammenarbeit ist weiterhin ein Top-Level-Design als Richtlinie und für das Roadmapping sowie industrielle Standards.
Anwendungsbeispiele
Beispiele für den effektiven Einsatz von Edge-Infrastruktur gibt es bereits bei betrieblichen Aufgaben, die zentral für deren Wertschöpfung und Wettbewerbsposition sind. Bei der Qualitätskontrolle elektronischer Geräte etwa müssen oft täglich Tausende von Bauteilen überprüft werden. Das entspricht etwa einem Dutzend Produkte pro Minute. Oft arbeiten die Mitarbeiter der Qualitätskontrolle mehr als zehn Stunden täglich, um das Arbeitsvolumen zu bewältigen – Konzentrationsmangel und Qualitätsstagnation sind die Folge. Im Gegensatz dazu nutzen Edge-Lösungen für intelligente Qualitätsprüfungen Industriekameras an Produktionsstraßen, um Bilder von Produktoberflächen in Echtzeit zu erfassen. Anschließend erfolgt eine automatische Bestimmung und Positionierung der Defekte, um rasch Informationen über deren Art und Größe sowie Vorschläge zur Beseitigung zu erhalten. Zusätzlich werden Fehlerdaten an das Cloud-Rechenzentrum übertragen, um die KI-Modelle und -Algorithmen für Qualitätsprüfungen weiter zu optimieren. Dies unterstützt Unternehmen bei der Verbesserung ihrer Produktionsgenauigkeit und -effizienz. Edge Computing wird auch bei der Inspektion von Robotern eingesetzt. Intelligente Inspektionsmodelle ermöglichen die Echtzeitüberwachung verschiedener Parameter von Robotern. Das Personal kann so Geräteteile vorausschauend ersetzen, um ungeplante Ausfallzeiten und Unterbrechungen in automatisierten Produktionsstraßen zu vermeiden. Auch wenn die Corona-Krise die Automatisdierungsbranche gerade gehörig durchschüttelt: Edge Computing ist nicht einfach ein Trend, sondern eine erforderliche Infrastrukturebene für die digitale Transformation des Verarbeitenden Gewerbes.