Decentralized Machine Learning
für Industrielle Maschinen

Industriemaschinen mit ML-basierten Features und Services
anzubieten, ist herausfordernd

6_AI_IPC_alter_DataAccess_3

Eingeschränkter Datenzugriff

Kunden sind nicht bereit, ihre Daten weiterzugeben. Dies kann an rechtlichen, strategischen oder technischen Einschränkungen liegen.

6_AI_IPC_Requirements_3

Verschiedene Anforderungen

Maschinen, Prozesse und Kunden unterscheiden sich voneinander, was die Anwendung von universellen ML Modellen erschwert.

6_AI_IPC_Availability_2

Verfügbarkeit lokaler IT Systeme

Die Verfügbarkeit der lokalen IT-Systeme variiert, da sie ausgelastet sind oder zeitweise keinen Internetzugang haben.

Decentralized Machine Learning mit mlx

Modellaustausch statt Datenaustausch

Nutzen Sie Kundendaten durch lokales Machine Learning beim Eigentümer

Mit mlx können Sie on-the-edge Training, Einsatz und Verwaltung von ML Modellen in der Produktionsumgebung des Kunden einfach und zentral koordinieren. Sensible Kundendaten müssen nicht übertragen werden.

Integrieren Sie mlx in die IPCs der lokalen Umgebung des Kunden schnell und mit minimalem Aufwand.

Step 1
Step 2: Node Schema

Tauschen Sie lokale Modelle aus, um diese an unterschiedliche Maschinen-Domänen anzupassen

Industriekunden unterscheiden sich oftmals durch ihre lokalen Anforderungen. Maschinen werden in verschiedenen Umgebungen oder Prozessen eingesetzt und benötigen Modelle, die auf Spezifika abgestimmt sind.

Durch den Einsatz dezentraler ML-Technologien ermöglicht mlx einen sicheren Modellaustausch zwischen Maschinen und über Kunden hinweg – ohne dabei Rohdaten auszutauschen.

 

Tauschen Sie lokale Modelle aus, um diese an unterschiedliche Maschinen-Domänen anzupassen

Industriekunden unterscheiden sich oftmals durch ihre lokalen Anforderungen. Maschinen werden in verschiedenen Umgebungen oder Prozessen eingesetzt und benötigen Modelle, die auf Spezifika abgestimmt sind.

Durch den Einsatz dezentraler ML-Technologien ermöglicht mlx einen sicheren Modellaustausch zwischen Maschinen und über Kunden hinweg – ohne dabei Rohdaten auszutauschen.

Step 2: Node Schema

Profitieren Sie von asynchroner Kommunikation

Mit mlx wird ML Training nicht durch Maschinen beeinträchtigt, die vorübergehend offline sind. Maschinen werden in die Lage versetzt, ML on-the-edge autonom auszuführen und selbstständig mit der Central Node zu kommunizieren.

Lösungen anderer Decentralized Machine Learning Anbieter erfordern es hingegen, dass Maschine und Node kontinuierlich synchronisiert werden.

Step 3: Async Node Communication

Demo anfragen