29/03/2023

Blog: Predictive Quality: Edge- oder Cloud-Lösung?

Predictive Quality: Edge- oder Cloud-Lösung?

 

Predictive-Quality-Anwendungen nehmen einen immer grösser werdenden Stellenwert in der Produktion ein. Die Cloud bietet eine Vielzahl an neuen Möglichkeiten, doch wenn es um die Schnelligkeit geht, ist es sinnvoll, auf Edge Computing zu setzen. Wir zeigen Ihnen in diesem Blog, wie Sie Edge-Systeme trotz ihrer geringeren Rechenleistung einsetzen können.

 

 

Mit Predictive-Quality-Anwendungen können Unternehmen die Qualität ihrer Produkte und die Prozessabläufe kontinuierlich optimieren. Damit lassen sich zudem Qualitätsprobleme erkennen. Voraussetzung hierfür ist ein Machine-Learning-Verfahren das Probleme wie Stau an einer Maschine oder eine Überhitzung eines Motors schnell prognostizieren kann. Die hierfür benötigten analytischen Berechnungen der Algorithmen können sowohl über Edge-Computing wie auch über eine Cloud-Plattform ausgeführt werden. Im ersten Teil „Predictive Quality und Edge Computing“ haben wir Ihnen bereits Gründe aufgezeigt, warum ein Rückgriff auf eine Cloud-Plattform bei zeitkritischen Anwendungsfällen nicht ratsam ist.

 

In diesem Teil erläutern wir Ihnen, wie Sie trotz geringerer Rechenleistung Edge-Systeme einsetzen können, indem Sie Machine-Learning-Modelle optimieren:

 

  • Pruning: Mit dem Vereinfachen, Kürzen und Optimieren der Entscheidungsbäume lässt sich die Komplexität der Eingangsparameter senken, die damit weniger Rechenleistung benötigen.
  • Frameworks: Die Bandbreite an Frameworks ist groß und bieten unterschiedliche Vor- und Nachteile. Mit einem Framework wie beispielsweise Learn2Compress von Google können die Layer von Deep-Learning-Modellen in ihrer Breite und Tiefe reduziert werden und damit weitere Rechenleistungen eingespart werden.
  • Programmiersprache: Machine-Learning-Modelle werden üblicherweise in der Programmiersprache Python geschrieben. Diese bedarf jedoch einer hohen Prozessor- und Rechenleistung. Compiler können verwendet werden, um Python in eine Sprache zu übersetzen, die weniger Prozessorleistung benötigt wie beispielsweise C#.

 

Mit diesen Tipps können Machine-Learning-Modelle optimiert und Edge-Systeme eingesetzt werden. Die Effizienz der Cloud kann durch eine Edge-Lösung jedoch nicht ermöglicht werden. Ein großer Nachteil, denn durch den Lastenausgleich benötigt die Cloud oft weniger Rechenkapazität und ist damit kostengünstiger als die Edge-Lösung.

 

Ob Sie sich für eine Cloud- oder Edge-Lösung entscheiden, sollten Sie von jedem konkreten Einzelfall abhängig machen. Eine Kombination der beiden Lösungen ist ebenfalls denkbar und möglich. So können beispielsweise die Daten an der Edge aufbereitet und vorgefiltert werden und die Weiterverarbeitung in die Cloud gelagert werden.

 

Haben Sie Fragen zu den verschiedenen Möglichkeiten? Kontaktieren Sie uns gerne.