| | 0

IoT – oder warum es richtig ist, alle Daten zu speichern

„Daten sind das Gold kleiner, mittlerer und größerer Unternehmen.“ Mit dieser Aussage haben Florian Stadtfeld und ich in den letzten Monaten so einige Workshops rund um Data, Analytics und AI begonnen. Unterwegs waren wir in unserem Kundenumfeld als auch in der Partnerlandschaft. Was fast schon wie eine Phrase wirkt, scheint im Kontext des Datenschutzes und andere Verordnung manchmal schon als „schwierig“. „Darf man denn das?“ werden wir oft gefragt und wie so oft ist die Antwort: „It depends“.

Klarer ist es mit Daten aus dem IoT – zumindest, wenn technische Daten hier im Fokus sind und Rückschlüsse auf Personen und private Informationen nicht möglich sind. Davon unabhängig kristallisiert sich in IoT Workshops immer eine Frage und eine These heraus:

 

Welche Daten sollen gespeichert werden und in welchen Intervallen? Daten die nicht gerbraucht werden speichere ich nicht – das wären unnötige Kosten.

 

Ich selbst habe eine recht klare Antwort auf die Frage, die ich gerne teilen möchte. Vorher ist jedoch der Kontext wichtig, um die Frage und meine Antwort einordnen zu können. Unternehmen aus dem Enterprise und dem klassischen deutschen Mittelstand begleite ich bei ihren IoT Projekten: Vom ersten Workshop bis zur Projektdurchführung. Dabei sind die Geräte/Sensoren von unterschiedlichster Art:

  • Gebäude Leitsysteme mit vielen vorhandenen Sensoren
  • Mannsgroße Bandsägen für das Zersägen von Steinen und Marmor
  • Steinmühlen, die Felsen zu zermahlen
  • Schneiddauermessung für Industriemesser
  • Spezielle Sensoren für Durchflussmengen, Umdrehungen, Leistungsmessung, …
  • „Cloud-born“ Sensoren, die eine direkte WiFi Verbindung nutzen können

Die Motivation für IoT ist dabei meistens klar: Neue Geschäftsmodelle und besseren Service. Viele weiter genannte Motivatoren ordnen sich in aller Regel diesen beiden Punkten unter. Hier ein Auszug:

  • Neue Geschäftsmodelle
    • Verkauf einer Maschinenleistung als Service:
      • X Euro pro 60.000 Meter Schnitt von Blechen (inkl. Verschleißmaterial)
      • Flugstunden von Turbinen (statt Kauf)
      • Blockheizkraftwerk als Miete: Preis pro KWh-Leistung inkl. Verschleißmaterial und Wartung
    • Service
      • Predictive Maintenance: Die Vorhersage eines möglichen Ausfalls eines Maschinenteils und der rechtzeitigen Behebung
      • Energieoptimierung für Gebäude, zum Beispiel durch automatische Steuerung des Klimasystems auf Basis von Wettervorhersagen
      • Vereinfachung von Wartung durch eine lückenlose Dokumentation von Betriebszuständen (erkennen von Fehlerursachen statt Fehler nur zu beheben)

Zu IoT gehört immer auch die effektive Speicherung von großen Datenmengen und deren Auswertung – besonders dann, wenn die Auswertung dieser Daten weitere Erkenntnisse hervorbringen soll.

Ein Beispiel: Eine Langzeitmessung der Eigenfrequenz einer großen Bandsäge ergab, dass sich diese stärker verändert, wenn der Verschleiß des Sägebandes so hoch ist, dass ein Ausfall in nächster Zeit wahrscheinlich ist.

Die Maßnahme: Das Band wird nach Beendigung des aktuellen Schneidvorgangs getauscht.

Der Vorteil: Das Band reißt nicht im Werkstoff, zerstört ihn nicht und muss nicht aufwendig aus diesem entfernt werden.

Andere Ableitungen aus Daten sind nicht so trivial wie in dem obigen Beispiel. Es können hunderte Faktoren/Messwerte über einen langen Zeitraum Aufschluss über das Verhalten von Maschinen/Systemen geben. Diese Zusammenhänge können so komplex sein, dass ein Mensch diese nur schwer logisch auswerten kann. In solchen Fällen werden KI Systeme genutzt, die entsprechend trainiert, diese Daten verarbeiten und autonom Zustände mit einer gewissen Wahrscheinlichkeit ableiten können (z.B. warnen können, dass ein System innerhalb der nächsten 20-48 Stunden zu 86% ausfallen wird).

KI, AI, Machine Learning sind heute nicht nur starke Hype-Themen, sondern eine von der Nutzung verstandene Sache (auch wenn das trainierte neuronale Netz immer noch etwas von einer Black Box hat). Machine Learning hat im Namen eine Herausforderung in Bezug auf die Daten, die in IoT Projekten gesammelt werden: Ein Machine Learning Modell muss trainiert werden und dafür braucht es große klassifizierte Datenmengen. Groß bedeutet dann durchaus Daten über einen größeren Zeitraum (um so größer um so mehr lernt das System, bzw. wird besser). Auch bedeutet groß eine Vielzahl unterschiedlicher Sensoren, die für die Herausforderung eine Rolle spielen: Direkt und indirekt. Und das ist nicht immer offensichtlich.

Diese Ableitung führt auch direkt auf die für mich richtige Antwort auf die gestellte Frage:

Es ist wichtig möglichst viele Daten in angemessenen kurzen Intervallen zu speichern. Auch dann, wenn es aktuell keinen „Business Need“ gibt, kein Ansatz der Vermarktung vorhanden ist oder ein bestimmter Sensor doch wahrscheinlich uninteressant ist.

Meine Begründung: Entwickeln wir in 6 Monaten ein Businessmodell basierend auf KI, dann brauchen wir vielleicht genau diese Daten. Sammeln wir sie nicht heute, sind sie für die Zukunft verloren.

Der Einsatz von Cloud Technologien unterstützt dieses: Ich nutze für IoT, AI, Datenspeicherung und Verarbeitung gemanagte Plattformdienste aus der Microsoft Azure Cloud. Besonders die Speicherung von Daten ist in Cloudstrukturen effizient und kostengünstig.