Insights AI World : les coûts énergétiques du déblocage des données à l'edge

Une discussion au coin du feu à AI World a discuté les problèmes rencontrés dans l'extraction de données depuis l'edge.

La réalité complexe de l'extraction de données legacy

On peut être pardonné d'assumer que les fabricants sont prêts à craquer leurs divers systèmes de production et commencer à exploiter les données qui ont été piégées à l'intérieur. La réalité peut être bien plus compliquée.

Les problèmes rencontrés dans l'extraction de données depuis l'edge ont été explorés dans une discussion au coin du feu avec Joseph Etris, chef de projet engineering chez Continental Automotive Systems, rejoint par John Auld, directeur régional ventes chez Zededa, Inc. J'ai eu l'opportunité de modérer la session, partie de la récente conférence AI World à Boston.

Voir aussi : La fabrication mène le peloton IoT

L'unité d'Etris chez Continental fabrique des convertisseurs catalytiques pour le secteur automobile — une tâche énergivore. En 2018, Etris et son équipe se sont mis à capturer, analyser et atténuer l'usage d'électricité et émissions liées à travers sa gamme de contrôleurs logiques programmables (PLC) Siemens, installés pour la première fois dans les années 1990. Le défi, expliqua Etris, était d'extraire les données SCADA des PLCs pour les intégrer avec les données émanant des nouveaux capteurs électriques.

Alors que beaucoup de vendeurs prétendent que les anciens systèmes industriels peuvent aisément donner leurs données dans un monde IoT parfait, c'est loin d'être le cas, relate Etris. Les systèmes de production legacy n'ont souvent pas été conçus pour être ouverts, et ne sont souvent pas network-enabled.

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

Les défis que Continental a rencontrés sont symptomatiques des problèmes rencontrés à travers le paysage manufacturier, explique Auld. « Il y a beaucoup de dark data qui existe en silos au sein de nombreuses entreprises. » Non seulement cela présente des défis techniques, mais organisationnels aussi, car plusieurs équipes doivent être à bord avec les efforts IA sur IoT.

La gestion du stockage de données à l'ère IA et IoT était un autre domaine discuté par les panelistes. De nombreuses organisations lutteront avec les volumes croissants de données streamant dans leurs systèmes depuis divers arrays de contrôleurs et capteurs, et finissent souvent par les déposer dans des data lakes.

Les fabricants doivent établir une couche d'interface commune qui peut extraire et lire des données de toutes les générations de systèmes de production, a dit Auld. En plus, la cohérence doit être assurée, car les données de divers systèmes peuvent avoir des significations et seuils différents. Le défi pour beaucoup de fabricants est qu'ils peuvent avoir beaucoup d'usines séparées, chacune avec ses propres initiatives et standards.