Datengewitter: Wie Flugzeuge als Edge Devices arbeiten

Aktuell sind Flugzeuge am Himmel ein seltener Anblick, denn seit Beginn der Corona-Pandemie wurde der Flugverkehr weitgehend eingestellt. Beeinträchtigt sind dadurch unter anderem die weltweiten Wettervorhersagen und Klimabeobachtungen, die sich für Meteorologen nun deutlich schwieriger gestalten. Deshalb sind die Prognosen unpräziser, da die Messdaten vieler Flugzeuge fehlen. Laut der Weltorganisation für Meteorologie (WMO) beträgt der Rückgang der Messungen an Bord von Flugzeugen zwischen 75 und 80 Prozent. Doch wie laufen diese normalerweise ab?

Flugzeuge sind Edge Devices

In der Luft ist jedes Flugzeug gewissermaßen ein Edge Device, das automatisch mithilfe von Sensoren, Computern und Kommunikationssystemen verschiedene meteorologische Daten sammelt, verarbeitet, formatiert und über Satelliten- oder Funkverbindungen an Bodenstationen übermittelt. Dazu gehören zum Beispiel Angaben über Umgebungstemperaturen, Windgeschwindigkeiten und -richtungen sowie die Luftfeuchtigkeit und Turbulenzen. Diese Daten werden bereits im Flugzeug zusammengeführt und erst dann gesendet. Der Vorteil: Meteorologen erhalten direkt nutzbare Daten, was die Informationsbearbeitung insgesamt beschleunigt.

Edge Computing via Datenplattform

In den Flugzeugen kommt folglich Edge Computing zum Einsatz, also eine erste Datenverarbeitung am Entstehungsort. Schon im Edge Device (ein Gerät, Fahrzeug oder eben Flugzeug) wird eine erste Analyse durch eine künstliche Intelligenz durchgeführt, um direkt Wichtiges von Unwichtigem zu trennen. Irrelevante Informationen fallen so frühzeitig weg und belasten weder die weitere Datenverarbeitung, noch die Datenübertragung oder -speicherung.

Viele und vor allem akkurate meteorologische Daten aus der Luft sind essenziell, um genaue Vorhersagen treffen zu können, wie etwa im Bereich Katastrophenschutz. Doch nicht nur in der Meteorologie ist ein fundierter Datenschatz wichtig, um Vorhersagen über erwartbare Ereignisse treffen zu können. Selbiges gilt auch für Unternehmen, die mithilfe von unzähligen Sensoren, Maschinen oder Fahrzeugen Daten produzieren, mit deren Hilfe sich Prognosen erstellen und Mehrwerte generieren lassen. Dazu müssen diese Daten an Ort und Stelle erhoben, selektiert und ausgewertet werden.

Komplexe Anforderungen abdecken

Dazu braucht es Edge Computing und dafür wiederum ein flexibles und leistungsstarkes Tool, das alle Datenströme verlässlich verarbeitet und orchestriert. Für diesen Zweck perfekt geeignet ist eine einheitliche Datenplattform, die 5G-, Wireless- und andere Technologien ebenso unterstützt wie Machine-to-Machine-Sprachen, um Daten in Echtzeit zu sammeln und effizient zu verarbeiten. Deshalb sollte die Datenplattform auch in hohem Maße interoperabel und frei skalierbar sein sowie der ACID-Compliance entsprechen. Außerdem ist es hilfreich, wenn sie multi-modell-fähig ist, Multi-Workloads ermöglicht und erstklassige Analyse-Funktionalitäten sowie Konnektoren zu BI-Anwendungen besitzt. Damit ist das Anforderungsprofil an eine mustergültige Plattform aber immer noch nicht abgedeckt: Idealerweise unterstützt die Datenplattform zudem die native Erstellung und Nutzung von Machine Learning-Algorithmen und gewährleistet Konformität mit wichtigen Edge-Standards wie etwa den Vorgaben des OpenFog Consortium.

Edge Devices und Edge Computing ermöglichen es, Daten schnell, effizient und verlässlich zu erfassen, zu analysieren und optimal bereitzustellen. Auf diese Weise lässt sich zwar unser Wetter nicht verändern, das Potenzial, das in den Daten steckt, hilft uns aber, besser darauf vorbereitet zu sein.

Aleksandar Kovačević

Aleksandar Kovačević ist ein Machine Learning Enthusiast, der die versteckten Superkräfte von Daten zum Vorschein bringt.

Als Sales Engineer bei InterSystems ist er mit der Aufgabe betraut, Kunden und Interessenten darüber zu informieren, was InterSystems Produkte so besonders macht. Hierbei kann er auf seine weitreichende technische Expertise zurückgreifen, die unter anderem umfassende Kenntnisse in Elektroingenieurwesen und Kommunikationstechnik sowie Software-Entwicklung und Big Data Analysen beinhaltet. Diese Fähigkeiten gründen auf zwölf Jahren Erfahrung als Wissenschaftler, Entwickler und Berater, wobei er sich in jüngerer Zeit vornehmlich mit dem Themenbereich Machine Learning auseinandergesetzt hat. Seinen überwiegend aus dem Finanzdienstleistungssektor stammenden Kunden konnte er dadurch helfen, das volle Potenzial von Machine Learning für die Optimierung von alltäglichen Geschäftsprozessen auszuschöpfen.

Kommentar verfassen

*