Teams sammeln jahrelang Sensordaten und stoßen dann immer wieder an dieselbe Wand, sobald sie etwas Intelligentes damit anfangen wollen. Die Daten liegen an einem Ort, die Machine-Learning-Werkzeuge liegen woanders, und beides zu verbinden wird zu einem eigenen Projekt: Export-Pipelines, eine separate Rechenumgebung, Zugangsdaten, die verwaltet werden müssen, und ein Sync-Job, der um 2 Uhr nachts klammheimlich ausfällt.
Die Wand ist nicht das Modell. Eine Prognose oder einen Klassifikator zu trainieren ist ein gut ausgetretener Pfad. Die Wand ist der Betrieb: Live-Gerätedaten ins Modell zu bekommen, Vorhersagen dorthin zurückzuspielen, wo Bediener und Dashboards sie nutzen können, und diesen Kreislauf am Laufen zu halten, ohne eine stehende Datenplattform. TagoIO Analysis gibt es, um diese Wand einzureißen, indem es Ihren Code direkt neben Ihren Daten ausführt. So setzen Sie es für Machine Learning ein.
Was Analysis wirklich ist
Eine Analysis ist ein Skript, das auf einen Trigger reagiert: einen Zeitplan, eingehende Daten, einen Button auf einem Dashboard oder einen API-Aufruf. Sie schreiben es in Node.js oder Python, und es kann aus Geräte-Buckets lesen, externe Dienste aufrufen und Ergebnisse als Variablen zurückschreiben. Skripte laufen auf den TagoIO-Servern oder auf Ihrem eigenen Rechner, wenn Sie rechenintensive Aufgaben lieber im Haus behalten.
Für Machine Learning heißt das: Ein einziges Skript kann die Historie eines Geräts abrufen, ein Modell ausführen und eine Vorhersage zurück auf dasselbe Gerät schreiben, wo ein Dashboard-Widget oder eine Alarmregel sie aufgreift. Kein Export, keine zweite Datenbank, kein Klebedienst.
Trainieren, wo es sinnvoll ist, bereitstellen, wo die Daten sind
Eine nützliche Aufteilung: schweres Training offline, leichtgewichtiges Bereitstellen in Analysis.
Ein Modell zu trainieren, besonders alles mit vielen Parametern, ist ein Batch-Job, der viele Daten und CPU- oder GPU-Zeit braucht. Erledigen Sie das dort, wo es günstig und ohne Zeitdruck ist. Passen Sie das Modell an, bewerten Sie es ehrlich und speichern Sie das trainierte Artefakt.
Bereitstellen ist etwas anderes. Bereitstellen bedeutet ‘nimm die aktuellsten Messwerte und erzeuge eine Vorhersage’, und das muss nah an den Daten geschehen, nach einem Zeitplan oder bei jedem neuen Datenpunkt. Genau darin ist Analysis gut. Eine Python-Analysis kann ein gespeichertes Modell laden, das letzte Zeitfenster der Gerätedaten lesen, vorhersagen und das Ergebnis zurückschreiben, deutlich innerhalb des Zeitbudgets einer Überwachungsschleife.
Für einfachere Modelle, eine lineare Regression, einen kleinen Gradient-Boosted-Tree, eine saisonale Prognose, können Sie sogar innerhalb der Analysis nach Zeitplan trainieren, weil die Trainingskosten gering sind. Je schwerer das Modell, desto eher wollen Sie das Training aus dem Bereitstellungspfad heraushalten.
Ein konkreter Kreislauf
Ein prognostischer Workflow auf TagoIO sieht meist so aus. Eine geplante Analysis liest die jüngste Historie eines Geräts oder einer Gruppe, ausgewählt über Tags. Sie baut das Feature-Fenster auf, das das Modell erwartet. Sie führt das Modell aus, ob das nun ein angepasstes Prophet-Objekt, ein scikit-learn-Regressor oder ein aus einer gespeicherten Datei geladenes neuronales Netz ist. Sie schreibt die Vorhersage als neue Variable zurück, dazu einen Konfidenz- oder Fehlerwert. Ein Dashboard stellt Vorhersage gegen Ist-Werte dar, und ein Alarm wird ausgelöst, wenn die Vorhersage eine Schwelle überschreitet, bevor es der reale Wert tut.
Weil die Vorhersage einfach nur eine weitere Variable ist, behandelt alles andere auf der Plattform sie wie echte Sensordaten. Kein Sonderfall.
Halten Sie das Modell ehrlich
Ein Modell, das ausgeliefert und vergessen wird, verschlechtert sich. Bedingungen driften, ein Sensor wird ausgetauscht, ein Prozess ändert sich, und die Vorhersagen werden still und leise schlechter, während das Dashboard weiterhin selbstsicher aussieht. Bauen Sie eine zweite geplante Analysis, die jüngste Vorhersagen mit dem abgleicht, was tatsächlich passiert ist, und den Fehler über die Zeit aufzeichnet. Wenn der Fehler über Ihre Toleranz steigt, lösen Sie ein erneutes Training aus oder melden einen Alarm an einen Menschen.
Dieses Überwachungsskript ist klein und langweilig, und es ist der Unterschied zwischen einem Modell, dem die Leute vertrauen, und einem, das sie zu ignorieren lernen. Es wegzulassen ist der häufigste Grund, warum Machine Learning auf IoT-Daten nach einer guten Demo scheitert.
Wo Sie anfangen sollten
Wählen Sie eine Vorhersage, die eine Entscheidung verändern würde, und bauen Sie zuerst die Bereitstellungsschleife mit dem einfachsten Modell, das funktionieren könnte, notfalls einer Trendlinie. Sorgen Sie dafür, dass die Verkabelung stimmt: Daten rein, Vorhersage raus, neben den Ist-Werten dargestellt, nach Zeitplan bewertet. Sobald diese Schleife läuft und Vertrauen genießt, ist ein Modell-Upgrade eine Skript-Änderung, kein neues Projekt.
Das Modell direkt neben den Daten auszuführen ist der ganze Sinn der Sache. Sehen Sie, wie TagoIO Analytics Prognosen für Ihre Live-Umgebung erstellt.
Es gibt auch einen Weg ganz ohne Code: TagoIO Analytics übernimmt das maschinelle Lernen für Sie. Melden Sie sich unter sight.tago.io/login mit Ihrem TagoIO-Konto an und trainieren Sie in wenigen Minuten ein Modell mit Ihren Daten, um Prognosen und Anomalieerkennung ohne ein Data-Science-Team zu erhalten.
