Nach seinem ersten Beitrag zur Lage und Zukunft des Semantic Web berichtet Sebastian Tramp, CTO der eccenca GmbH und leitender Koordinator des Projekts Linked Enterprise Data Services (LEDS), weshalb die Vision vom Internet of Things (IoT) und der Industrie 4.0 nicht ohne semantische Technologien verwirklicht werden kann. Und er liefert dafür gleich einen konkreten Use Case aus dem Forschungsprojekt bIoTope, das an technologische Entwicklungen von LEDS anknüpft.
Sebastian, warum ist das Internet of Things ohne semantische Technologien eigentlich undenkbar?
Einfach gesagt: Wenn nicht klar ist, welche Bedeutung ein “Ding” - also ein Objekt - im Internet of Things hat, funktioniert auch keine Kommunikation oder Interaktion zwischen den Objekten, die sich im Internet treffen sollen. Für solch eine Kommunikationsstruktur müssen die Objekte mit allen relevanten Eigenschaften klar definiert sein. Bei einem Messsystem muss zum Beispiel im Datenstrom hinterlegt sein, was für ein konkreter Sensor die Daten schickt, wann und wo diese Daten gemessen wurden und was das überhaupt für Daten sind. Zur Anreicherung unterschiedlicher Daten aus verschiedenen Datenquellen müssen zudem Schnittstellen in Form von geteilten Ontologien geschaffen werden, damit diese verschiedenen Daten auch miteinander verknüpft werden können. Genau das realisiert eben semantische Technologie.
Wie werden diese Herausforderungen bei LEDS berücksichtigt?
Das Internet of Things lebt davon, mit Live-Daten zu arbeiten und dabei auf sehr viele verschiedene Datenquellen zurückzugreifen.
Im LEDS-Projekt wird deshalb unter anderem die semantische Integration von Datenströmen (Streaming Data) direkt in der Integrationsarchitektur berücksichtigt, indem die Kommunikation zwischen LEDS-Komponenten über eine weit verbreitete Streaming Data Platform geschieht.
Solch eine Streaming Data Platform kann man sich als zentrales Medium vorstellen, durch das eine Unmenge Daten aus verschiedensten Quellen geschleust und verarbeitenden Applikationen zur Verfügung gestellt wird. In der Regel werden die Daten mit einer Art Verfallsdatum versehen, so dass die Plattform nicht überlastet wird. Wir haben dann auf der einen Seite Datenproduzenten wie zum Beispiel Sensoren (z. B. Stromzähler), aber auch Newsquellen (z. B. Twitter, Wetter-Dienste), die kontinuierlich Daten in die Plattform laden. Und auf der anderen Seite stehen verschiedenste Dienste, die diese Daten entnehmen, kombinieren, verarbeiten und analysieren. Solch ein Datenkonsument könnte z. B. eine Modellierungssoftware für die Stromproduktion sein, die dann auf Wetterdaten und aktuelle Verbrauchsdaten zurückgreift. Oder ein Social Search Engine, das Sentiment-Analysen fährt. Die Herausforderung ist hierbei vor allem das Schnittstellen-Management, damit alle angebundenen Applikationen sauber und korrekt mit der Streaming Data Platform kommunizieren können. Genau das wird bei LEDS entwickelt.
Gibt es bereits Beispiele, wo diese Technologie in der Umsetzung begriffen ist?
Die bei LEDS entwickelte Technologie wird beim bIoTope-Projekt angewendet werden. bIoTope ist ein dreijähriges Forschungsprojekt im Rahmen des EU-geförderten Horizon-2020-Programms zum Thema IoT. Das Konsortium besteht bei diesem Projekt aus Städtepartnern (Helsinki, Brüssel, Lyon), Forschungseinrichtungen und Industriepartnern.
Ziel ist die Umsetzung von Pilot-Use-Cases, die zeigen, wie die Kommunikation und Organisation in IoT-Ökosystemen funktionieren kann. Ein Beispiel für einen geplanten Use Case ist der Bereich Smart Mobility in Städten. Dort soll eine Streaming Data Platform genutzt werden, um verschiedene Datenquellen zum Thema Ladestationen für die Routenoptimierung elektrischer Autos in Städten zu integrieren. Die aufbereiteten Daten sollen zum Beispiel Navigationssystemen zur Verfügung gestellt werden, um Fahrzeughaltern, die sich in das IoT-Ökosystem der jeweiligen Stadt einloggen, relevante Informationen anzuzeigen. Diese Informationen können aktuell freie Ladestationen, prognostizierte Ladezeit und Tarife umfassen, aber auch mögliche Attraktionen oder Restaurants, die sie während der Ladezeit besuchen könnten. Ziel ist also die Anreicherung von Daten mit Hintergrundwissen, um Nutzern einen echten Mehrwert anzubieten.