- Geschäftliche Herausforderung:
Ein deutsches Industrieunternehmen wollte Machine-Learning-Modelle für die vorausschauende Wartung seiner IoT-fähigen Anlagen produktiv einsetzen. Während die ersten Modelle in isolierten Umgebungen gut funktionierten, stand das Unternehmen bei der Skalierung zu einem zuverlässigen, produktionsreifen System vor erheblichen Herausforderungen.
Zu den wichtigsten Herausforderungen gehörten:
- Die Aufnahme von Zeitreihen-Sensordaten aus Tausenden von Industrieanlagen mit hohem Durchsatz und geringer Latenz
- Engpässe bei der Inferenzlatenz durch nicht optimierte Stapelverarbeitung und fehlende Möglichkeiten zur Bewertung in Echtzeit
- Fehlende kontinuierliche Beobachtbarkeit der Modelle, einschließlich Drifterkennung sowie Überwachung von Leistungsabfall und Datenqualität
Hoher betrieblicher Aufwand bei der Verwaltung verteilter ML-Infrastruktur – von Datenaufnahme und Feature-Verarbeitung über Modelltraining und Bereitstellung bis zur Governance des gesamten Lebenszyklus
Infolgedessen erkannte das Unternehmen Ausfälle verspätet, verzeichnete mehr ungeplante Stillstände und hatte nur begrenztes Vertrauen in modellgestützte Wartungsentscheidungen.
- Von CloudZen Innovations bereitgestellte Lösung:
CloudZen implementierte auf Microsoft Azure eine echtzeitfähige, IoT-gestützte MLOps-Plattform, die hochfrequente Sensordaten aufnimmt, Inferenz mit geringer Latenz durchführt und Modelle fortlaufend an verändertes Anlagenverhalten anpasst. Die Plattform unterstützt sowohl Echtzeit- als auch Batch-ML-Workloads und gewährleistet dabei Governance und Beobachtbarkeit über den gesamten Lebenszyklus.
- Pipelines für Streaming-Datenaufnahme & Feature Engineering
- IoT-Telemetriedaten mit hoher Ereignisrate werden über Azure IoT Hub und Azure Event Hubs aufgenommen; dies unterstützt Millionen Ereignisse pro Sekunde.
- Die Stream-Verarbeitung und Feature-Extraktion erfolgen mit Azure Databricks (Structured Streaming) und ermöglichen Aggregation, Fensterbildung und die Erzeugung von Anomalie-Features in Echtzeit.
- Aufbereitete Features werden in Azure Data Lake Storage Gen2 gespeichert und dienen als einheitlicher Feature Store für Training und Inferenz.
- Schemaentwicklung und Datenqualitätsprüfungen stellen die Verarbeitung heterogener Sensordaten verschiedener Anlagentypen sicher.
- Architektur für Echtzeit- und Batch-Inferenz
- Echtzeit-Inferenz wird über verwaltete Online-Endpunkte von Azure Machine Learning bereitgestellt, die für die Bewertung von Streaming-Sensordaten mit geringer Latenz optimiert sind.
- Batch-Inferenz-Workloads werden über Azure ML Batch-Endpunkte ausgeführt, um historische Telemetriedaten auf Verschleißtrends und langfristige Ausfallrisiken zu untersuchen.
- Modelle werden containerisiert und versioniert, sodass sie in Entwicklungs-, Staging- und Produktionsumgebungen konsistent ausgeführt werden können.
- Richtlinien für die automatische Skalierung passen Rechenressourcen dynamisch an Ereignisdurchsatz und Inferenzbedarf an.
- Automatisiertes erneutes Training bei Sensor- und Datendrift
- Daten- und Konzeptdrift werden mithilfe der Datendrift-Funktionen von Azure ML und eigener statistischer Prüfungen kontinuierlich überwacht.
- Pipelines für erneutes Training werden automatisch ausgelöst, wenn Driftschwellen überschritten werden oder neue gekennzeichnete Wartungsdaten verfügbar sind.
- Durchgängige Workflows für erneutes Training werden mit Azure ML Pipelines orchestriert und decken Datenaufbereitung, Modelltraining, Validierung und Registrierung ab.
- Die Überführung von Modellen wird durch CI/CD-Pipelines mit Freigabeschritten gesteuert, um eine sichere und kontrollierte Einführung in der Produktion zu gewährleisten.
- Zentrale Beobachtbarkeit & betriebliche Governance
- Azure Monitor und Log Analytics bieten zentrale Transparenz über den Zustand der Infrastruktur, die Ausführung von Pipelines und die Leistung der Endpunkte.
- Kennzahlen auf Modellebene wie Inferenzlatenz, Vorhersagesicherheit, Fehlerraten und Durchsatz werden kontinuierlich erfasst.
- Betriebliche Dashboards ermöglichen es, Modellprognosen mit tatsächlichen Wartungsergebnissen abzugleichen und so Vertrauen und Entscheidungsfindung zu verbessern.
- Die durchgängige Nachvollziehbarkeit von Daten, Modellen und Bereitstellungen unterstützt Compliance und betriebliche Transparenz.
- Technologie-Stack:
Diese Lösung nutzt einen vollständig Azure-nativen Technologie-Stack für die Aufnahme von IoT-Daten in Echtzeit, skalierbare Machine-Learning-Workflows und sichere Produktivbereitstellungen. Azure IoT- und Streaming-Dienste verarbeiten Sensordaten mit hoher Ereignisrate, während Azure Databricks und Azure Machine Learning Feature Engineering, Modelltraining und Inferenz im großen Maßstab ermöglichen. CI/CD-Automatisierung, zentrale Überwachung und Sicherheitsdienste für Unternehmen gewährleisten Zuverlässigkeit, Governance und betriebliche Effizienz über den gesamten MLOps-Lebenszyklus.
- Geschäftliches Ergebnis:
Durch die Implementierung einer echtzeitfähigen IoT-MLOps-Plattform auf Azure wechselte das Unternehmen von reaktiver zu vorausschauender Wartung. Die Lösung ermöglichte eine frühere Erkennung von Anlagenabweichungen, verringerte ungeplante Ausfallzeiten und verbesserte die Anlagenauslastung. Kontinuierliche Modellüberwachung und automatisiertes erneutes Training sicherten die Vorhersagegenauigkeit, während skalierbare Cloud-Infrastruktur die Betriebskosten senkte und die Ausweitung auf mehrere Werke unterstützte.
