View a markdown version of this page

Real-Time Nahe IoT Analytics mit AWS und IBM CP4D - Nahezu Real-Time IoT-Analytik mit AWS und IBM CP4D
Nahezu Real-Time IoT-Analytik mit AWS und IBM CP4D-DiagrammWeitere InformationenMitwirkendeVerlauf des Diagramms

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Real-Time Nahe IoT Analytics mit AWS und IBM CP4D

Veröffentlichungsdatum: 12. Mai 2023 () Verlauf des Diagramms

Diese Architektur zeigt, wie IoT-Analysen mit maschinellem Lernen nahezu in Echtzeit erstellt werden können, indem IBM Cloud Pak for DATA (CP4D) verwendet wird, auf dem AWS ausgeführt wird.

Nahezu Real-Time IoT-Analytik mit AWS und IBM CP4D-Diagramm

Das Diagramm der Referenzarchitektur zeigt, wie IoT-Analysen mit maschinellem Lernen mithilfe von IBM Cloud Pak for DATA (CP4D), das auf ausgeführt wird, nahezu in Echtzeit erstellt werden können. AWS

  1. Daten aus mehreren Quellen in der Produktionsanlage und auf den Edge-Geräten werden von allen Anlagen übernommen. AWS IoT Core

  2. Amazon Data Firehose streamt IoT-Daten und lädt sie in Amazon Simple Storage Service (Amazon S3), einen vollständig verwalteten, hochverfügbaren und skalierbaren Data Lake-Speicherdienst.

  3. Daten, auf die selten zugegriffen wird, werden zur kostengünstigen Archivierung auf Amazon Glacier verschoben.

  4. CP4D wird als Container-Workload ausgeführt, auf dem ausgeführt wird. OpenShift Red Hat OpenShift Service in AWS (ROSA) ist eine vollständig verwaltete OpenShift Implementierung von AWS.

  5. Mit IBM DataStage können Sie Datentransformationsaufträge erstellen, bearbeiten, laden und ausführen, um erweiterte und maßgeschneiderte Informationen zu generieren.

  6. Sie können IBM Watson Knowledge Catalog verwenden, um ein Data-Governance-Framework zu erstellen, Daten anzureichern und Modelle für maschinelles Lernen (ML) zu trainieren. Sie können Datenschutzregeln für den Datenzugriff erstellen und vertrauliche Informationen maskieren.

  7. Verwenden Sie Watson Studio, um Daten zu analysieren und Modelle für maschinelles Lernen zu erstellen und zu trainieren.

  8. Trainierte Modelle werden auf IBM Watson Machine Learning bereitgestellt und als Endpunkte bereitgestellt.

  9. Modellausgaben werden in Amazon S3-Ausgabedaten-Buckets gespeichert.

  10. Das Edge-Gerät entwickelte speziell entwickelte Anwendungen auf Amazon Elastic Compute Cloud (Amazon EC2) mit Dashboards, die von Werksbetreibern und Vorgesetzten zur Überwachung der Modellvorhersagen verwendet werden.

  11. ERP-Anwendungen (Enterprise Resource Planning) rufen die Daten ab und speichern sie mithilfe von Daten in Datenspeichern. AWS Transfer Family

Weitere Informationen

Weitere Informationen finden Sie unter

Mitwirkende

Zu den Mitwirkenden an diesem Referenzarchitekturdiagramm gehören:

  • Sankar Cherukuri, Partner, Lösungsarchitekt

Verlauf des Diagramms

Abonnieren Sie den RSS-Feed, um über Aktualisierungen dieses Referenzarchitekturdiagramms informiert zu werden.

ÄnderungBeschreibungDatum

Erste Veröffentlichung

Das Referenzarchitekturdiagramm wurde zuerst veröffentlicht.

12. Mai 2023

Anmerkung

Um RSS-Updates zu abonnieren, muss ein RSS-Plugin für den von Ihnen verwendeten Browser aktiviert sein.