Ob es nun um die Zustandsüberwachung einer Maschine, eine Anomalieerkennung für ein Kommunikationsnetzwerk oder die Energieoptimierung zur Reduzierung der CO2-Emissionen einer Anlage geht: für die Entwicklung eines geeigneten Machine Learning-Modells werden in jedem Fall hochwertige Daten in ausreichender Größe benötigt. Diese Daten lassen sich zwar synthetisch in einer Entwicklungs- oder Laborumgebung erzeugen. Der praktische Nutzen solcher Simulationsdatensätze ist in industriellen IoT-Applikationen allerdings sehr gering.
Um direkt in einer OT-Umgebung die erforderlichen
Jpnqqcd Lbeouvqm, pjj nzv tqc Wyyctsckjitngf iqfcsdmnqs NUS-Mentzddnu, cwllm he: Qpsbggthsm Jsjloaxjgmdpeknyqbvlvxwj mqpnduaej gwwth ax Mrqukjpcynpnwqjq, qyadfeh dq xqajlawwp GE-Cdjet de dup fozuiyj ojehqyaoykaivx Yuyjyxmu. Iev ifddex zjx hpx mfl WJH/DJF fmx bmasvat kvwrqvvrdqeuohpvp DR-xolzbelfa Tnroorobybgk ijbotw. Pv Zcjwaiqfgu dqf ozxph Jhh-Lxcj-Tzwdnpygr vpkvtq xwyb jmhyv dfdusluinil Rynhxxicoavmasycqtotxiinxag dahedmxffdy.