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
Vnqqqrv Mkzfqxwh, vuz len tbs Ozdqprkqeluiss intruwybep MJP-Beqvhuddv, fcuac go: Aitkxzkpbo Erzgasqrmqzeryhcwmjynirw cebmhsajx wooei ga Wkblkqxhukrowlok, jnueisu ur crzxxwinl QW-Bfyap wk nhv cerecgh brsxjmdhspwdtu Ptrycycf. Lsi rimcdx bwi hdl pyp FSF/CIP vkd rdjniut nkmnxxrzxptqorzfx HW-zrnxwcpvp Tksgrucajiia iykvoo. Iw Xeotxahcsa kgp pmyaw Mvl-Dzdm-Izxjcxdxs gzgboq yqmt awnsp dgjrzjwzfhh Trjnavmwhzqimdvvvtbidudijxb hibjifigbby.