Nürnberg, Starnberg, 28. März 2019 – Datenanalyse-Plattform unterstützt maschinelles Lernen; massiv parallele Lösung dient als zentrale Datenquelle sowie Datenspeicher...
Zum Hintergrund: Seit vielen Jahren bürgt der Name Saarstahl für hochwertige, kundenspezifische Lösungen aus Stahl. Die Saarstahl-Gruppe, mit Hauptsitz in Völklingen, hat sich dabei auf die Herstellung von Walzdraht, Stabstahl, Halbzeug sowie Schmiedeprodukten in anspruchsvollen Qualitäten spezialisiert. Mit innovativen Produkten und intelligenten Technologien trägt Saarstahl dazu bei, Antworten auf globale Herausforderungen wie Mobilität, Energieeffizienz und Sicherheit zu finden. Saarstahl-Produkte werden von der Automobil- und Bauindustrie, dem Energiemaschinenbau, von der Luft- und Raumfahrtindustrie, vom allgemeinen Maschinenbau und sonstigen stahlverarbeitenden Branchen nachgefragt und in Anwendungen, zum Teil unter extremsten Bedingungen, eingesetzt.
Die Saarstahl-Gruppe hat das Ziel, Data Science und maschinelles Lernen flächendeckend im Unternehmen auszurollen. Algorithmen sollen Prozessverantwortliche und Fachabteilungen in ihren Entscheidungen unterstützen, um so die Fertigungsprozesse und die Produktqualität weiter zu verbessern. Die Rechenkapazität und der Hauptspeicher eines einzelnen Servers sind jedoch für diese Anwendungsfälle begrenzt. Moderne Datenbanksysteme nutzen deshalb immer öfter Massiv Parallele Processing (MPP) Tools. In-Memory-Datenbanken profitieren von dieser Technik, da sich durch das Zusammenschalten von Server-Systemen zu Clustern die Menge an verfügbarem RAM annähernd beliebig erweitern lässt.
Nach vorliegenden Angaben soll künftig die analytische In-Memory-Datenanalyse-Plattform der Exasol AG bei Saarstahl eingesetzt werden. Die Exasol Datenanalyse-Plattform beruht auf In-Memory-Datenbank-Technologie und ist On-Premises und in der Cloud verfügbar. Die Plattform dient dabei als zentrale Datenquelle, die mit der Data-Warehouse-Lösung und verschiedenen Datensilos verbunden ist, wie beispielsweise einem Sensor-Analyse-Werkzeug. Das offene Infrastruktursystem ermöglicht die Zusammenführung verteilter Quellen aus sensorbasierten Zeitreihendaten sowie relationalen Daten und stellt Entscheidern, Fachabteilungen und Data Scientists die gewünschten Informationen im richtigen Kontext bereit.
Beim Einsatz von Machine-Learning-Algorithmen kommen auch historische Daten zum Tragen, die das anfallende Datenvolumen weiter erhöhen. Um heterogene Daten von tausenden Sensoren bzw. Prozessdaten parallel laden und schnell wieder zur Verfügung stellen zu können, hat sich Saarstahl entschieden, zukünftig die schnelle, skalierbare und benutzerfreundliche Datenanalyse-Plattform von Exasol zu implementieren. Als zentraler Datenspeicher stellt sie die reibungslose Verarbeitung der enormen Datenmengen sicher.
Querverweise:
-
TPC-H Ergebnisse unter der Transaction Processing Performance Council > Link zur TPC Website
-
Unser Beitrag > Cloud-Services sind derzeit als Basis für Maschinelles Lernen noch nicht sehr verbreitet