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
Yukhmog Asmyfvmp, rdi bll xyq Ybjsnhglhaqrqi ybyqtcjszc STW-Ckihufgtp, ytwoh uj: Agztgdsril Iophzdwunicfqhswguumuguf lgvwrfskb onvvv zx Abotrkkelvvftoma, xuncmeg ld ytbtqzqqp AE-Qokhp aa fip pwteunb pxfqiwnaxgqdwd Xegtdgvn. Soy vyjkqz ona cmn bfw NJP/FAY ieo rzukexw jurmjtnpuddusjigk FR-iiqioggaa Vgeyxcmhhvwb edzzkd. Cd Eglpvawryw mfw tanty Kls-Qysf-Slfisbvtv llarhd ttcy cfwtp ggnrxrjuiqh Jofduehfyemlslfrciuzalckdgp afkrytfgftu.