Philipp Zehnder erklärt im Interview, was die Lösung StreamPipes leistet und warum Mittelständler in naher Zukunft in weniger als einer Stunde KI-Anwendungen entwickeln können.

Was ist StreamPipes?

StreamPipes soll dabei helfen, IoT-Datenanalysen im Produktions- und Logistikumfeld auch für weniger technisch versierte Anwender zugänglich zu machen. Unser Ziel ist es, mit Stream-Pipes die einfachste Lösung anzubieten, kontinuierliche Daten-ströme im IoT-Umfeld auszuwerten und diese in Form einer offenen Open-Source-Lösung, die vollständig ohne Anbindung an einen externen Cloudanbieter laufen kann, anzubieten. Dazu können Maschinen oder andere Datenquellen binnen Minuten angebunden werden. In einem graphischen Editor stellen wir dann einen erweiterbaren Baukasten von Algorithmen und Funktionen zur Verfügung, die es ermöglichen, die Daten selbstständig auszuwerten.

An welche Anwendungen denken Sie?

Wir unterstützen Anwendungen, die von automatisierter Daten-bereinigung über Condition Monitoring, beispielsweise dem Erkennen von Schwellwertüberschreitungen, bis hin zu Verfahren des maschinellen Lernens, etwa dem Auswerten von Kameradaten oder Predictive Maintenance, reichen.

Sie werben mit geringeren Entwicklungskosten ‒ wie geht das?

Ein integrierter Alerting-Mechanismus erlaubt es beispielsweise, Störfälle zu erkennen und die richtigen Personen zu benachrichtigen. Im Bereich Predictive Maintenance hilft es dabei, Störungen früh-zeitig zu erkennen, um unvorhergesehene Ausfälle zu verhindern. Dabei ist der Fokus immer darauf, dass Fachanwender diese Regeln selbst sehr flexibel über die graphische Oberfläche modellieren können. StreamPipes setzt dabei vor allem auf wiederverwendbare Algorithmen – eine Analysekomponente, beispielsweise eine Anomalieerkennung, lässt sich damit mit unterschiedlichen Datenquellen verknüpfen. Dadurch muss die eigentliche Entwicklungsarbeit nur einmal stattfinden, der Algorithmus lässt sich aber beliebig mit anderen Komponenten verbinden – dies senkt die Softwareentwicklungskosten, was insbesondere für kleinere Unternehmen eine wichtige Entscheidungsgrundlage ist.

Wer soll damit im Unternehmen arbeiten?

Unsere Zielgruppe sind Fachanwender, beispielsweise Produktionsexperten. Maschinendaten anzubinden und kontinuierlich auszuwerten erfordert heutzutage noch eine ganze Menge an IT-Fachkenntnissen. Diese sind jedoch, vor allem bei produzierenden kleinen und mittelständischen Unternehmen, häufig eine sehr begrenzte Ressource. Mit unserer Lösung können Anwender zunächst herausfinden, was für Daten ihre Maschinen produzieren und auch die Bedeutung dieser Daten verstehen. Mit diesem gewonnenen Grundwissen können dann etwa Regeln oder Algorithmen auf Basis von KI-Methoden eingesetzt werden, um einen Mehr-wert aus den Daten zu gewinnen.

Wann kommt Ihre Anwendung auf den Markt?

Viele der Innovationen, die StreamPipes heute bietet, haben wir im Rahmen verschiedener Forschungsprojekte auf deutscher und EU-Ebene über die letzten Jahre innerhalb unserer Tätigkeit am FZI Forschungszentrum Informatik in Karlsruhe entwickelt. Anfang 2018 haben wir dann die Software als Open Source zur Verfügung gestellt, um möglichst vielen Nutzern einen einfachen Einstieg in IoT-Datenanalysen zu bieten. Auf unserer Webseite (streampipes.org) kann das Tool direkt heruntergeladen und installiert werden.

Welche Protokolle unterstützt StreamPipes?

Die aktuelle Version enthält Schnittstellen, um die meistgenutzten IoT-Protokolle wie beispielsweise OPC-UA, MQTT oder selbst Dateien schnell anzubinden und beinhaltet mehr als 80 vorkonfigurierte Algorithmen und Datensenken, um einen sehr schnellen Einstieg zu ermöglichen. Bei der Weiterentwicklung von Stream-Pipes arbeiten wir eng mit Industriepartnern zusammen und bieten im Rahmen von Proof-of-Value-Projekten Workshops und Pilotierungen an, welche den Mehrwert der Lösung schnell aufzeigen. Daneben lassen wir neueste Erkenntnisse aus der Forschung, die wir gemeinsam mit Unternehmen erarbeiten, kontinuierlich mit in die Lösung einfließen.

Was planen Sie für die nahe Zukunft?

In einem nächsten Schritt sollen Fachanwender dazu in der Lage sein, Verfahren der künstlichen Intelligenz selbst anzuwenden, um damit die Analyse der Daten weiter zu vereinfachen und zu automatisieren – unser Ziel ist es, dass von der ersten Anbindung einer Maschine bis zur ersten brauchbaren Vorhersage einer KI weniger als eine Stunde vergeht.