De AI World :pourquoi l'exploitation des données Edge nécessite beaucoup d'énergie

Une conversation au coin du feu à AI World a discuté des problèmes rencontrés lors de l'extraction de données à partir de la périphérie.

On peut être pardonné de supposer que les fabricants sont prêts à ouvrir leurs différents systèmes de production et à commencer à exploiter les données qui y ont été piégées. La réalité peut être beaucoup plus compliquée.

Les problèmes rencontrés lors de l'extraction de données à partir de la périphérie ont été explorés lors d'une conversation au coin du feu avec Joseph Etris, chef de projet d'ingénierie chez Continental Automotive Systems, rejoint par John Auld, directeur régional des ventes chez Zededa, Inc. J'ai eu l'occasion de modérer la session, en partie de la récente conférence AI World à Boston.

Voir aussi : La fabrication en tête du pack IoT

L'unité d'Etris chez Continental fabrique des convertisseurs catalytiques pour le secteur automobile - une tâche énergivore. En 2018, Etris et son équipe ont entrepris de capturer, d'analyser et d'atténuer la consommation d'électricité et les émissions associées sur toute sa gamme d'automates programmables industriels Siemens, installés pour la première fois dans les années 1990. Le défi, a expliqué Etris, consistait à extraire les données SCADA des API pour les intégrer aux données émanant des nouveaux capteurs électriques.

Alors que de nombreux fournisseurs affirment que les systèmes industriels plus anciens peuvent facilement abandonner leurs données dans un monde IoT parfait, c'est loin d'être le cas, raconte Etris. Les systèmes de production hérités n'ont souvent pas été conçus pour être ouverts et ne sont souvent pas compatibles avec le réseau.

Auld, qui représentait Siemens à l'époque, a travaillé avec l'équipe Continental pour extraire les données PLC et fournir un étalonnage en temps réel. De plus, les données sont téléchargées toutes les 10 minutes vers un référentiel cloud sur Amazon Web Services.

Les défis rencontrés par Continental sont symptomatiques des problèmes rencontrés dans le paysage de la fabrication, explique Auld. "Il y a beaucoup de données obscures qui existent dans des silos au sein de nombreuses entreprises." Cela présente non seulement des défis techniques, mais également organisationnels, car plusieurs équipes doivent participer aux efforts de l'IA sur l'IoT.

La gestion du stockage des données à l'ère de l'IA et de l'IoT était un autre domaine abordé par les panélistes. De nombreuses organisations seront aux prises avec des volumes croissants de données en continu dans leurs systèmes à partir de divers réseaux de contrôleurs et de capteurs, et finissent souvent par les déposer dans des lacs de données.

Les fabricants doivent établir une couche d'interface commune capable d'extraire et de lire les données de toutes les générations de systèmes de production, a déclaré Auld. De plus, la cohérence doit être assurée, car les données provenant de divers systèmes peuvent avoir des significations et des seuils différents. Le défi pour de nombreux fabricants est qu'ils peuvent avoir de nombreuses usines distinctes, chacune avec ses propres initiatives et normes.