IoT ist in aller Munde, noch nicht aber in aller Cloud. Nun gibt es endlich den Kühlschrank, in den man über sein Smartphone hineingucken und aus der Ferne seinen Vorrat an Aufschnitt checken kann. Super! Hoffentlich ist der Aufschnitt nicht eingepackt, ansonsten ist es nichts mit der Überprüfung des häuslichen Wurstpegels von der Supermarktfleischtheke aus.

Wurstkäufer vom alten Schlag öffnen für gewöhnlich vor dem Einkauf die Kühlschranktür und checken so die Höhe ihres Wurstvorrats. Die Kühlschranktür ist seit Jahrzehnten Bestandteil eines jeden Kühlschranks und befindet sich an dessen Vorderseite. Das nur als Tipp für Digital Natives.

Das nicht ganz ernst gemeinte – nichtsdestotrotz reale – Beispiel soll zeigen, dass nicht alles, was möglich ist, auch zwingend einen Nutzen stiftet bzw. sich dieser im Verhältnis zum betriebenen Aufwand als bisweilen recht überschaubar erweist.

Was stiftet Nutzen?

In der Industrie kann beispielsweise die Temperaturkurve einer Produktionsmaschine wichtige Informationen über deren Betriebszustand liefern. Bei Überschreitung eines Grenzwertes wird eine Aktion ausgelöst. Klingt gut und sinnvoll. Allerdings verfügen Maschinen in der Regel schon lange über so viel Intelligenz und schalten sich notfalls selbst ab (siehe Föhn).

Als spannender könnten sich da die folgenden Fragestellungen erweisen:

• Kann ich eine Notabschaltung wegen Überhitzung schon frühzeitig erkennen und geeignete Gegenmaßnahmen einleiten?
• Kann ich die Gründe für die drohende Überhitzung herausfinden? Nicht ganz unwichtig, wenn man die richtigen Gegenmaßnahmen einleiten will.
• Kann ich die regelmäßige Wartung durch anlassorientierte Wartungen ersetzen und so die Downtime der Produktionsmaschine verringern?

Geht! Ist leider deutlich aufwendiger als die Darstellung einer Temperaturkurve, bringt dafür aber einen sehr viel größeren Mehrwert!

Wie geht das?

Um die oben angerissenen Fragestellungen zu beantworten, benötigt man Daten und analytische Verfahren. Man benötigt viele unterschiedliche Daten und diese am besten in großen Mengen. Und man benötigt sehr gute analytische Software, die in diesen vielen unterschiedlichen Daten relevante Zusammenhänge erkennt.

Ist es das?

Nein! Maschinen und Anlagen sind unterschiedlich und verhalten sich dementsprechend auch unterschiedlich. Man benötigt für jeden Maschinentyp ein eigenes statistisches Modell, welches das Verhalten möglichst gut beschreibt und zukünftige Probleme zuverlässig voraussagt. So kommen schnell Hunderte, ja Tausende Modelle zusammen. Und die wollen erst einmal erstellt werden. Stichwort: Model Factory.

Sitzen bleiben, das ist noch nicht alles! Das Verhalten der Maschinen verändert sich nämlich über die Zeit. Maschinen werden älter, werden anders eingesetzt, bekommen Updates etc. In der Folge müssen Modelle angepasst werden. Stichwort: Machine Learning.

Der Betrieb einer Vielzahl von Modellen ist ein weiterer Aspekt, dem Aufmerksamkeit geschenkt werden sollte. Zum einen müssen Modelle in Produktion gesetzt, also ausgerollt werden, zum anderen müssen Modelle laufend auf ihre Vorhersagegenauigkeit hin überprüft werden. Ist man in der Lage zu erkennen, dass sich Modelle nicht mehr so verhalten, wie es anfangs bei deren Erstellung einmal geplant war, sprich: die Performance nachlässt? Stichwort: Modellmanagement. Ein Manager eines weltweit agierenden Industrie-Unternehmens macht uns die Vorgabe:  „Heute habe ich mit einem heterogenen Software-Stack analytische Modelle für 4 Standorte abgebildet. Demnächst kommen 39 weitere dazu. Um das zu stemmen, wünsche ich mir eine homogene Analyse-Plattform.“

Win-Win-Situation

Sie merken schon, das wird kompliziert. Die gute Nachricht ist, es gibt eine Win-Win-Situation, zum einen für den Anbieter einer IoT-Cloud, zum anderen für deren Nutzer.

Der Anbieter kann mit werthaltigen IoT-Services gutes Geld verdienen. Mit der industriellen Bereitstellung aufwendiger analytischer Verfahren nimmt er seinem Kunden viel von der oben beschriebenen Komplexität ab. Dabei muss er die Kosten der Modellerstellung und des Betriebs im Rahmen halten: „Es ist nicht wichtig, was wir für gut halten. Wichtig ist, dass der Kunde einen Mehrwert bekommt.“

Der Kunde gibt Daten und Geld und erhält dafür hochwertige Services mit großem Mehrwert. Gleichzeitig spart er sich den Aufbau einer entsprechenden Infrastruktur inklusive des raren Personals mit entsprechender Expertise. Das rechnet sich. Zudem spart es Zeit.

Mein Empfehlung

Das alles ist sehr komplex. Mit der richtigen analytischen Software, die neben der Fähigkeit, größte Datenmengen zu analysieren, auch die oben aufgeführten Stichworte Model Factory, Machine Learning und Modellmanagement abdeckt, kann viel von der Komplexität genommen/automatisiert werden. Und für alle, die es selbst machen wollen, noch eine gute Nachricht zum Schluss: Das Ganze gibt es auch als On-Premises-Software. Besuchen Sie unser IoT Forum in München / Zürich / Wien. Hier finden Sie die Agenda und die Speaker.

Wenn Sie mehr zum Thema wissen möchten, habe ich Ihnen hier ein paar Lesetipps zusammengestellt:
SAS Artikel: Außer Kontrolle / Problemzone Zukunft / See IoT industry examples in action
Blogs meines Kollegen Rainer Sternecker. Er schreibt über die IoT Trends in diesem Jahr.