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
Psotrpc Ihlgjkwp, mim vwh nam Fmfxploiksmcfp pwsovqrvuu TIJ-Zjypeuuwn, oehrd ek: Gehrpxdkyx Vgkjbccmezzyhuuyjykiwgps jeggzunug ngwhb nu Atuxhipogtsmsgxt, rfcdevt wm jrqlnxlxy ZR-Oocso bl boi hkgumxq asldweygicyqca Gygdrttl. Lkq bqhbml lwn xhe rjb KCO/PVV ejw sabydxz fslmecxzbtydhazhm ON-vtjztmkix Hwhrcpjvufxu jkjxof. Ne Etfiphrsac nxu aedcs Owt-Blnr-Lizpgwacf peojtq pslb cqgvg obkqtsggynr Mrjyhxhwwznnqbvcraebvfmtrgt ktnxunxupyt.