Når man arbejder med data fra industrielle aktiver, hvad enten det er fra automationssystemer eller direkte fra micro-controllerne, så er det afgørende at kunne lave strukturer i sin back-end, der giver mulighed for at kunne beskrive data ud fra en forretningskontekst, og ikke blot en 1:1 gengivelse af ”temp_sensor_123” fra ”machine1234abc”. Man vil med andre ord gerne have mulighed for fleksibelt at kunne definere strukturer som passer den enkelte medarbejder, kunde eller samarbejdspartner. Udover at de individuelle aktører i et IoT-scenarie kan komme fra forskellige organisationer, så er det også ofte, at de involverede organisationer har forskellige interne roller som skal anvende data. Derfor er det vigtigt, at en IoT-platform giver fleksibilitet ift. at kunne strukturere data på mange forskellige måder og at den underliggende datamodel er let at integrere til.
Lad os gå et spadestik dybere:
Data er data er data
Når vi dykker lidt dybere ned i kravene for at arbejde effektivt med tidsserie- og maskindata, så er tingene ikke så simple, som det umiddelbart kan lyde når man læser diverse produkt- og firmapræsentationer. F.eks. er der mange IoT-platforme der slår sig op på at give deres kunder en åben adgang til deres data. Det er der sådan set heller ikke noget galt i. Faktisk bør det være det mindste man kan forlange.
“F.eks. er der mange IoT-platforme der slår sig op på at give deres kunder en åben adgang til deres data. Det er der sådan set heller ikke noget galt i. Faktisk bør det være det mindste man kan forlange.”
Et vigtigere kriterie er, om den datamodel som indkapsler rådata og giver forretningskontekst, er åben, fleksibel og let tilgængelig. Et yderligere krav til datamodellen, bør også være, at denne har en fleksibilitet der gør at rådata kan fortolkes og sammensættes i nye sammenhænge, alt efter behov, samt at rådata ikke replikeres hver gang man laver en ny datamodel. Et andet overordnet krav man bør stille, er at det skal være ligetil at integrere til både datamodeller, livedata og IoT-platformens services. Det kræver en åben arkitektur som kan skalere både ift. datamængder men lige så vigtigt er det at platformens datahåndtering kan skalere effektivt når der kommer flere typer brugere og organisationer på. Et sidste overordnet krav bør være, at man kan garantere at data og ikke mindst datamodellen (og dermed nok hele platformen) er i virksomhedens kontrol. Det vil i praksis betyde, at man som ejer af et IoT-produkt eller som dataejer i en Industry 4.0 proces, formentlig skal have mulighed for at flytte hele løsningen over i sin egen IT-infrastruktur, som kan være cloud eller on-premise.
Lad os se hvordan Beacon Tower adresserer disse krav:
Beacon Tower anvender en åben arkitektur
Beacon Tower har en åben arkitektur uden brug af ”black-box” funktionalitet. Samtidig er alle services udstillede via API’er i et servicelag, og dermed kan rådata fra maskiner og sensorer frit tilgås, men endnu vigtigere er det at man kan integrere ligetil med datamodellernes services og dermed genbruge datastrukturerne i andre systemer. Det er f.eks. utroligt nyttigt i en machine learning sammenhæng, at data-analytikerne kan anvende datamodellerne og ikke skal bruge tid på at sætte struktur på data. Det betyder f.eks. at en data-analytiker kan forespørge Beacon Tower om følgende:
“Giv mig de maskiner af model X som har haft et atypisk vibrationsmønster inden for de seneste 24 timer for vores kunder i Skandinavien”
På den måde kan dataanalytikeren arbejde effektivt med f.eks. at forbedre algoritmen til at detektere anomalier i sit foretrukne udviklingsmiljø. Ligeså kan serviceteknikeren have et dashboard i f.eks. CRM eller i sin serviceapplikation der viser hvilke maskiner der udviser tegn på at skulle kræve vedligehold inden for vedkommendes ansvarsområde.
Beacon Tower har en fleksibel datamodel
For at ovenstående dataanalyse scenarie overhovedet kan lade sig gøre, kræver det naturligvis at man kan definere sin data præcis som man gerne vil have det. I Beacon Tower kan man definere lige så mange datamodeller som man har lyst til og sætte dem ind i et uendeligt antal hierarkier med forskellige adgangsrettigheder. Derfor bliver det let at strukturere data på følgende måde hvor vi bruger en virksomhed som laver, sælger og servicerer el-billadere (car chargers) som eksempel:
Beacon Tower er replikerbart og dedikeret
Beacon Tower er designet til at forenkle og accelerere IoT-udvikling og -drift ved at hele platformen køres i et valgfrit Azure-miljø der er dedikeret til den enkelte kunde og dennes samarbejdspartnere. Hele platformen bliver løbende opdateret og vedligeholdt. Dette fjerner meget af uvisheden og kompleksiteten med at bygge pålidelige, skalérbare og sikre IoT-applikationer, samtidig med at I på et hvilket som helst tidspunkt kan få et udviklings- og test-miljø eller sågar en dedikeret løsning til én specifik kunde. Det gør også at I har 100% kontrol med platformen og kan garantere over for kunder og samarbejdspartnere at data ligger ét specifikt sted.
Læs mere om hvordan Beacon Tower indgår som en integreret dataplatform i et enterprise IT-miljø.
For mere information:
Partner, Mikael Rönde, mikael.ronde@glaze.dk
Læs mere om de forskellige Beacon Tower leveringsmuligheder.