Dieser Beitrag behandelt eine technisch erprobte Architektur zur Übertragung industrieller Sensordaten über MQTT in die Azure Cloud, stellt relevante Komponenten vor und beleuchtet Herausforderungen und Lösungsansätze bei der Implementierung.

Öffentliche Ausschreibungen spielen für viele Unternehmen eine große wirtschaftliche Rolle. Gleichzeitig sind Ausschreibungsprozesse auf Bieterseite extrem arbeitsintensiv und fehleranfällig. Vor diesem Hintergrund sind Lösungen gefragt, die Effizienz und Präzision im Ausschreibungsmanagement verbessern und gleichzeitig die Einhaltung aller Compliance-Anforderungen sicherstellen.

In einer Welt, in der physische und digitale Grenzen zunehmend verschwimmen, gewinnen Fusionsstrategien – die Integration von physischen Produkten, digitalen Services und interdisziplinären Ökosystemen – an Bedeutung. Diese Ansätze schaffen nicht nur neuen Mehrwert, sondern definieren auch die Geschäftsmodelle der Zukunft. Doch wie gelingt die nahtlose Integration von Daten und KI in Produkte, Services und Systeme?

Die visuelle Inspektion ist ein essenzieller Bestandteil der Qualitätssicherung in der industriellen Produktion. Sie dient dazu, fehlerhafte Produkte zu identifizieren, bevor sie den Endkunden erreichen. Während die manuelle visuelle Inspektion über Jahrzehnte hinweg der Standard war, bringen moderne Technologien auf Basis von Künstlicher Intelligenz und Bildverarbeitung entscheidende Verbesserungen. In diesem Artikel beleuchten wir die Herausforderungen der manuellen Inspektion, die Vorteile der automatisierten Prüfung und den technischen Aufbau solcher Systeme.

In der heutigen datengetriebenen Welt stehen produzierende Unternehmen vor der Herausforderung, große Mengen an Betriebs- und Maschinendaten effizient zu nutzen. Oft sind diese Daten in isolierten Systemen gespeichert, was eine ganzheitliche Analyse erschwert. Die Bereitstellung eines zentralen Data Lakes mit integrierter Datenvisualisierung mithilfe von Dashboards bietet eine leistungsstarke Lösung, um Daten aus verschiedenen Quellen zu aggregieren, zu analysieren und in Echtzeit darzustellen. Im Folgenden betrachten wir wie solch ein Ansatz technologisch umgesetzt werden, welche Möglichkeiten dies für Unternehmen bietet und welche Probleme dadurch gelöst werden können

Die digitale Transformation treibt Unternehmen dazu, ihre Geschäftsprozesse grundlegend zu überdenken und zu modernisieren. In diesem Kontext gewinnt die KI-gestützte Workflow-Automatisierung an Bedeutung, da sie enorme Effizienzsteigerungen verspricht. KI-gestützte Workflows gehen jedoch noch einen Schritt weiter: Sie ermöglichen nicht nur eine beschleunigte und effizientere Abwicklung von Prozessen, sondern ermöglichen eine datengetriebene Analysen, um komplexe Entscheidungen in Echtzeit zu treffen und Abläufe adaptiv zu steuern.

In den letzten Jahren haben technologische Entwicklungen im Bereich der künstlichen Intelligenz (KI) und maschinellen Lernens viele neue Möglichkeiten eröffnet. Zwei Konzepte, die in diesem Zusammenhang immer wieder auftauchen, sind Large Language Models (LLMs) und Data Lakes. Beide Technologien im gemeinsamen Einsatz haben das Potenzial, den Umgang mit Daten, deren Analyse und die Gewinnung von Wissen in Unternehmen erheblich zu transformieren.

Federated Learning bietet eine innovative Lösung, indem es kollaboratives Lernen aus verteilten Daten ohne Zentralisierung ermöglicht. Dieser Ansatz verbessert effektiv die Maschinenleistung, wahrt den Datenschutz und fördert den effizienten Wissensaustausch zwischen dezentralen Teilnehmern. In diesem Artikel befassen wir uns mit den Grundlagen des föderierten Lernens, seiner Funktionalität und den Erfolgsgeschichten aus der Praxis.

Um ein IoT-Projekt zu starten und erfolgreich durchzuführen, müssen Sie problemlos auf Informationen von vielen verschiedenen Geräten, Sensoren und Maschinen in Ihrem IoT-Netzwerk zugreifen und sie verarbeiten können. Dafür ist es wichtig, dass alle Komponenten auf die gleiche Art und Weise miteinander Daten austauschen können: Das OPC UA-Protokollb bietet die Brücke, um dies zu ermöglichen.

Die Entwicklung der Industrie 4.0 hängt vom Übergang zur Edge AIab, insbesondere nach der Ära des Cloud-Computing und des IoT. Die Einführung von Edge AI ist der logische nächste Schritt, denn sie ist der Schlüssel zur Entfaltung des vollen Potenzials von Industrie 4.0.