Search results: “business one”

Die Barmenia-Versicherungsgruppe transformiert ihre Anwendungslandschaft, um Versicherten auf allen Kanälen ein optimales Kundenerlebnis zu bieten. Der Wechsel zu modernen, Container-basierten Applikationen stellte das IT-Team jedoch zunächst vor Herausforderungen. Mit Kubernetes und Rancher Prime konnte die Barmenia diese Herausforderungen meistern und die Entwicklung innovativer digitaler Services beschleunigen – ohne Kompromisse bei der Datensicherheit.

Die Barmenia ist eine unabhängige Versicherungsgruppe mit Hauptsitz in Wuppertal, die rund 4.300 Mitarbeiterinnen und Mitarbeiter deutschlandweit beschäftigt. Das Produktangebot der Unternehmensgruppe reicht von Kranken- und Lebensversicherungen über Unfall- und Kfz-Versicherungen bis hin zu Haftpflicht- und Sachversicherungen.

Mittlerweile verlagert sich das Business der Versicherungsgruppe immer stärker in die digitale Welt. „Um auch in Zukunft erfolgreich zu sein, müssen wir das digitale Kundenerlebnis kontinuierlich verbessern und es unseren Versicherten so einfach wie möglich machen, mit uns zu kommunizieren“, sagt Daniel Oberdick, Systems Engineer und DevOps-Spezialist bei der Barmenia.

Self-Service-Tools wie das Online-Portal „Meine Barmenia“ und die mobile „BarmeniaApp“ werden laufend um neue Funktionen erweitert. Um innovative Services möglichst schnell auf den Markt bringen zu können, befasste sich das Unternehmen frühzeitig mit DevOps-Ansätzen und Container-Technologien. „Das Konzept der Container-Technologie hat uns von Anfang an begeistert“, berichtet Oberdick. „Wir haben allerdings auch gesehen, dass Lösungen wie Docker alleine nicht für den produktiven Betrieb von Enterprise-Anwendungen ausreichen.“ Das IT-Team suchte daher nach einer Lösung, die die Anforderungen der großen Versicherungsgruppe in puncto Effizienz, Verfügbarkeit und Sicherheit abdecken kann.

Rancher Prime erfüllt die Erwartungen

Nachdem sich die Barmenia mehrere Lösungen angesehen hatte, entschied sich die Versicherungsgruppe schließlich für den Einsatz von Rancher Prime. „Unser IT-Partner SVA System Vertrieb Alexander GmbH konnte uns in einer Lab-Umgebung sehr beeindruckend demonstrieren, welche Mehrwerte die Plattform für das Management von Kubernetes-Clustern bietet“, erklärt Oberdick.

Sehr positiv bewertete das IT-Team der Barmenia die einfache Bedienbarkeit von Rancher Prime. Über die intuitive GUI lassen sich alle Vorgänge rund um die Verwaltung von Kubernetes-Clustern zentral und effizient ausführen – von der Provisionierung über das Monitoring bis zum Backup.

Auch im Bereich Security konnte Rancher Prime alle Anforderungen der Barmenia erfüllen. Die Plattform vereinfacht die Durchsetzung einheitlicher Sicherheitsrichtlinien auf allen Clustern und unterstützt eine rollenbasierte Zugriffskontrolle.

„Ein großer Mehrwert von Rancher Prime ist, dass wir die einzelnen Business-Units granular separieren können“, sagt Oberdick. „Wir haben für jede Business-Unit ein eigenes Projekt in Rancher Prime angelegt. Innerhalb dieser Projekte können die Mitarbeiter dann selbstständig Namespaces anlegen und ihren Workloads nach Bedarf Ressourcen zuweisen. Diese Kombination von Segmentierung und Self-Service macht den Betrieb gleichzeitig sicherer und effizienter – und ist etwas, das Kubernetes von Haus aus nicht mitbringt.“

Effizientere Entwicklungsprozesse und schnelleres Onboarding neuer Spezialisten

Die Barmenia hatte schon in der Vergangenheit daran gearbeitet, die DevOps-Effizienz zu verbessern, und dafür ein eigenes Automatisierungsframework aufgebaut. Ziel war, die Entwickler so weit wie möglich von Aufgaben zu befreien, die nichts mit der eigentlichen Programmierung zu tun haben.

„Mit Rancher Prime gehen wir nun noch einen großen Schritt weiter und bieten Entwicklern eine moderne Container-Plattform, die sie wirklich als Service konsumieren können“, betont Oberdick. „Sie können sich ganz darauf konzentrieren, ihren Code zu schreiben, und bringen diesen dann mit wenigen Klicks auf die Plattform – ohne dass sie sich mit Konfigurationsdetails der Infrastruktur befassen müssen.“

Die weitgehende Automatisierung des Deployments hilft der Barmenia dabei, neue Funktionen schneller bereitzustellen – und sich damit Wettbewerbsvorteile am Markt zu verschaffen. Gleichzeitig profitiert die Versicherungsgruppe nach Einschätzung von Oberdick auch beim Onboarding neuer Entwickler von den automatisierten und standardisierten Workflows.

„Letztlich eröffnet uns Rancher Prime ganz neue Möglichkeiten, das Tempo bei der digitalen Business-Transformation zu erhöhen und unseren Kunden noch besseren Service zu bieten“, fasst Oberdick zusammen. „Wir können innovative Anwendungen schneller auf den Markt bringen und die Rüstzeiten für neue Technologien erheblich verkürzen.“

Lesen Sie hier die ganze Geschichte und erfahren Sie, wie viel Zeit die Barmenia heute bei der Bereitstellung von Kubernetes-Clustern spart – und wie die weiteren Pläne der Versicherungsgruppe für die Cloud-native Transformation aussehen.

Building successful machine learning (ML) production systems requires a specialized re-interpretation of the traditional DevOps culture and methodologies. MLOps, short for machine learning operations, is a relatively new engineering discipline and a set of practices meant to improve the collaboration and communication between the various roles and teams that together manage the end-to-end lifecycle of machine learning projects.

Helping enterprises adapt and succeed with open source is one of SUSE’s key strengths. At SUSE, we have the experience to understand the difficulties posed by adopting disruptive technologies and accelerating digital transformation. Machine learning and MLOps are no different.

The SUSE AI/ML team has recently launched FuseML, an open source orchestration framework for MLOps. FuseML brings a novel holistic interpretation of MLOps advocated practices to help organizations reshape the lifecycle of their Machine Learning projects. It facilitates frictionless interaction between all roles involved in machine learning development while avoiding massive operational changes and vendor lock-in.

This is the first in a series of articles that provides a gradual introduction to machine learning, MLOps and the FuseML project. We start here by rediscovering some basic facts about machine learning and why it is a fundamentally atypical technology. In the next articles, we will look at some of the key MLOps findings and recommendations and how we interpret and incorporate them into the FuseML project principles.

MLOps Overview

Old habits that need changing can be difficult to unlearn, even more difficult than re-learning everything. It’s true for people, and it’s even truer for teams and organizations where the combined inertia that makes important changes difficult to implement is several orders of magnitude greater.

With the AI hype on the rise, organizations have been investing more and more in machine learning to make better and faster business decisions or automate key aspects of their operations and production processes. But if history taught us anything about adopting disruptive software technologies like virtualization, containerization and cloud computing, it’s that getting results doesn’t happen overnight. It often requires significant operational and cultural changes. With machine learning, this challenge is very pronounced, with more than 80 percent of AI projects failing to deliver business outcomes, as reported by Gartner in 2019 and repeatedly confirmed by business analysts and industry leaders throughout 2020 and 2021.

Naturally, following this realization about the challenges of using machine learning in production, a lot of effort went into investigating the “whys” and “whats” about this state of affairs. Today, the main causes of this phenomenon are better understood. A brand new engineering discipline – MLOps – was created to tackle the specific problems that machine learning systems encounter in production.

The recommendations and best practices assembled under the MLOps label are rooted in the recognition that machine learning systems have specialized requirements that demand changes in the development and operational project lifecycle and organizational culture. MLOps doesn’t propose to reinvent how we do DevOps with software projects. It’s still DevOps but pragmatically applied to machine learning.

MLOps ideas can be traced back to the defining characteristics of machine learning. The remainder of this article is focused on revisiting what differentiates machine learning from conventional programming. We’ll use the fundamental insights in this exercise as stepping stones when we dive deeper into MLOps in the next chapter of this series.

Machine Learning Characteristics

Solving a problem with traditional programming requires a human agent to formulate a solution, usually in the form of one or more algorithms, and then translate it into a set of explicit instructions that the computer can execute efficiently and reliably. Generally speaking, conventional programs, when correctly developed, are expected to give accurate results and to have highly predictable and easily reproducible behaviors. When a program produces an erroneous result, we treat that as a defect that needs to be reproduced and fixed. As a best practice, we also process conventional software through as much testing as possible before deploying it in production, where the business cost incurred for a defect could be substantial. We rely on the results of proactive testing to give us some guarantees about how the program will behave in the future, another characteristic derived from the predictability aspect of conventional software. As a result, once released, a software product is expected to take significantly less effort to maintain compared to development.

Some of these statements are highly generic. One might say they could even be used to describe products in general, software or otherwise. They all have in common that they no longer hold as entirely valid when applied to machine learning.

Machine learning algorithms are distinguished by their ability to learn from experience (i.e., from patterns in input data) to behave in a desired way, rather than being programmed to do so through explicit instructions. Human interaction is only required during the so-called training phase when the ML algorithm is carefully calibrated and data is fed into it, resulting in a trained program, also called an ML model. With proper automation in place, it may even seem that human interaction could be eliminated. Still, as we’ll see later in this post, it’s just that the human responsibilities shift from programming to other activities, such as data collection and processing and ML algorithm selection, tuning and monitoring.

Machine learning can be used to solve a specific class of problems:

• the problem is extremely difficult to solve mathematically or programmatically, or it has only solutions that are too computationally expensive to be practical
• a fair amount of data exists (or can be generated) containing a pattern that an ML algorithm can learn

Let’s look at two examples, similar but situated at opposite ends of the spectrum as far as utility is concerned.

Sum of Two Numbers

A very simple example, albeit with no practical application whatsoever, is training an ML model to calculate the sum of two real numbers. Doing this with conventional programming is trivial and always yields very accurate results.

Training and using an ML model for the same task could be summarized by the following phases:

Data Preparation

First, we need to prepare the input data that will be used to train the ML model. Generally speaking, training data is structured as a set of entries. Each entry associates a concrete set of values used as input for the target problem with the correct answer (sometimes known as a target or label in ML terms). In our example, each entry maps a pair of real input values (X, Y) to the desired result (X+Y) that we expect the model to learn to compute. For this purpose, we can generate the training data entirely using conventional programming. Still, it’s often the case with machine learning that training data is not readily available and expensive to acquire and prepare. The code used to generate the input dataset could look like this:

import numpy as np 
train_data = np.array([[1.0,1.0]])
train_targets = np.array([2.0])
for i in range(3,10000,2):
  train_data = np.append(train_data,[[i,i]],axis=0)
  train_targets = np.append(train_targets,[i+i])

Deciding what kind of data is needed, how much of it and how it needs to be structured and labeled to yield acceptable results during ML training is the realm of data science. The data collection and preparation phase is critical to ensuring the success of ML projects. It takes experimentation and experience to find out which approach yields the best result, and data scientists often need to iterate several times through this phase and improve the quality of their training data to raise the accuracy of ML models.

Model Training

Next, we need to define the ML algorithm and train it (also known as fitting) on the input data. For our goal, we can use an Artificial Neural Network (ANN) suitable for this type of problem (regression). The code for it could look like this:

import tensorflow as tf
from tensorflow import keras
import numpy as np


model = keras.Sequential([
  keras.layers.Flatten(input_shape=(2,)),
  keras.layers.Dense(20, activation=tf.nn.relu),
  keras.layers.Dense(20, activation=tf.nn.relu),
  keras.layers.Dense(1)
])


model.compile(optimizer='adam', 
  loss='mse',
  metrics=['mae'])


model.fit(train_data, train_targets, epochs=10, batch_size=1)

Similar to data preparation, deciding which ML algorithm to use and what values should be configured for its parameters for best results (e.g., the neural network architecture, optimizer, loss, epochs) requires specific ML knowledge and iterative experimentation. However, by now, ML is mature enough to make finding an algorithm that fits the problem not difficult, especially given that there are countless open source libraries, examples, ready-to-use ML models and documented use-case patterns and recipes available for all major classes of problems that can be solved with ML, that one can start from. Moreover, many of the decisions and activities required to develop a high-performing ML model (e.g., hyper-parameter tuning, neural architecture search) can already be fully automated or accelerated through partial automation through a special category of tools called AutoML.

Model Prediction

We now have a trained ML model that we can use to calculate the sum of any two numbers (i.e. make predictions):

def sum(x, y):
  s = model.predict([[x, y]])[0][0]
  print("%f + %f = %f" % (x, y, s))

The first thing to note is that the summation results produced by the trained model are not at all accurate. It’s fair to say that the ML model is not behaving like it’s calculating the result, but more like it’s giving a ballpark estimation of what the result might be, as shown in this set of examples:

# sum(2000, 3000)
2000.000000 + 3000.000000 = 4857.666992
# sum(4, 5)
4.000000 + 5.000000 = 9.347977

Another notable characteristic is, as we move further away from the pattern of values on which the model was trained, the model’s predictions get worse. In other words, the model is better at estimating summation results for input values that are more similar to the examples on which it was trained:

# sum(10, 10000)
10.000000 + 10000.000000 = 8958.944336
# sum(1000000, 4)
1000000.000000 + 4.000000 = 1318969.375000
# sum(4, 1000000)
4.000000 + 1000000.000000 = 895098.750000
# sum(0.1, 0.1)
0.100000 + 0.100000 = 0.724608
# sum(0.01, 0.01)
0.010000 + 0.010000 = 0.549576

This phenomenon is well known to ML engineers. If not properly understood and addressed, it can lead to ML specific problems that take various forms and names:

• bias: using incomplete, faulty or prejudicial data to train ML models that end up producing biased results
• training-serving skew: training an ML model on a dataset that is not representative of the real-world conditions in which the ML model will be used
• data drift, concept drift or model decay: the degradation, in time, of the model quality, as the real-world data used for predictions changes to the point where the initial assumptions on which the ML model was trained are no longer valid

In our case, it’s easy to see that the model is performing poorly due to a skew situation: we inadvertently trained the model on pairs of equal numbers, which is not representative of the real-world conditions in which we want to use it. Our model also completely missed the point that addition is commutative, but that’s not surprising, given that we didn’t use training data representative of this property either.

When developing ML models to solve complex, real-world problems, detecting and fixing this type of problem is rarely that simple. Machine learning is as much an art as it is a science and engineering endeavor.

In training ML models, there is usually also a validation step involved, where the labeled input data is split, and part of it is used to test the trained model and calculate its accuracy. This step is intentionally omitted here for the sake of simplicity. The full exercise of implementing this example, with complete code and detailed explanations, is covered in this article.

The Three-Body Problem

At the other end of the spectrum is a physics (classical mechanics) problem that has inspired one of the greatest mathematicians of all times, Isaac Newton, to invent an entirely new branch of math and nowadays a source of constant frustration among high school students: Calculus.

Finding the solution to the set of equations that describe the motion of two celestial bodies (e.g., the Earth and the Moon) given their initial positions and velocities is already a complicated problem. Extending the problem to include a third body (e.g., the Sun) complicates things to the point where a solution cannot be found, and the entire system starts behaving chaotically. With no mathematical solution in sight, Newton himself felt that supernatural powers had to be at play to account for the apparent stability of our solar system.

This problem and its generalized form, the many-body problem, are so famous because solving them is a fundamental part of space travel, space exploration, cosmology and astrophysics. Partial solutions can be calculated using analytical and numerical methods, but it requires immense computational power.

All life forms on this planet are constantly used to dealing with gravity. We are well equipped to learn from experience, and we’re able to make pretty accurate predictions regarding its effects on our bodies and the objects we interact with. It is not entirely surprising that Machine Learning can estimate the motion of objects under the effect of gravity.

Using Machine Learning, researchers at the University of Edinburgh have been able to train an ML model capable of solving the three-body problem 100 million times faster than traditional means. The full story covering this achievement is available here, and the original scientific paper can be read here.

Solving the three-body problem with ML is similar to our earlier trivial example of adding two numbers together. The training and validation datasets are also generated through simulation, and an ANN is also involved here, albeit one with a more complex structure. The main differences are the complexity of the problem and ML’s immediate practical application to this use case. However, the observations previously stated about general ML characteristics apply equally to both cases, regardless of complexity and utility.

Conclusion

We haven’t even begun to look at MLOps in detail. Still, we can already identify and summarize key takeaways representative of ML in general just by comparing classical programming to Machine Learning:

1. Not all problems are good candidates for machine learning
2. The process of developing ML models is iterative, exploratory and experimental
3. Developing a machine learning system requires dealing with new categories of artifacts with specialized behaviors that don’t fit the patterns of conventional software
4. It’s usually not possible to produce fully accurate results with ML models
5. Developing and working with machine learning based systems requires a specialized set of skills, in addition to those needed for traditional software engineering
6. Running ML systems in the real world is far less predictable than what we’re used to with regular software
7. Finally, developing ML systems would be next to impossible without specialized tools

Machine Learning characteristics summarized here are reflected in the MLOps discipline and distilled in the principles on which we based the FuseML orchestration framework project. The next article will give a detailed account of MLOps recommendations and how an MLOps orchestration framework like FuseML can make developing and operating ML systems an automated and frictionless experience.

In meinen Gesprächen mit Software-Experten und Unternehmern, steht die Durchführung ergebnisorientierter Software-Projekte, die Innovationen beschleunigen, ganz oben auf der Agenda. Genau dieses Thema adressiert SUSE Cloud Application Platform 2.0, die wir heute vorgestellen.  SUSE Cloud Application Platform 2.0 bietet eine vollständige Automatisierung des Lebenszyklus von Anwendungen und ermöglicht es Unternehmen, ihre Release-Zyklen von Monaten auf Minuten zu verkürzen. Dadurch steigern Unternehmen deutlich ihre Agilität und können so die Zufriedenheit ihrer Kunden kontinuierlich verbessern.

Der neue Kubernetes-Operator in dieser Version ermöglicht eine einfachere Bereitstellung und Verwaltung der Cloud-Foundry-basierten Plattform auf der Infrastruktur von Kubernetes. Die Installation, der Betrieb und die Wartung von SUSE Cloud Application Platform 2.0 auf Kubernetes Plattformen sind vereinfacht – On-Premise und in Public Clouds. Anwender von Cloud Foundry können so schnell und pragmatisch auf eine moderne, Kubernetes-basierte Architektur umsteigen.

Verbesserungen der webbasierten Verwaltungskonsole der Plattform helfen Administratoren, Anwendungen einfacher und sicherer zu verwalten. Eine umfangreiche neue Workload-Ansicht gewährt einen tieferen Einblick in Anwendungen und die Einstellungen für die Bereitstellung. Verbesserte Sicherheit wird in dieser Version durch Helm 3 geboten, das die Zugriffskontrolle direkt auf Kubernetes verlagert. Durch den Wegfall von Tiller, der serverseitigen Komponente, die in Helm 2 verwendet wird, werden die theoretischen Angriffsmöglichkeiten reduziert.

Seit langem arbeitet SUSE intensiv mit der Open Source Community daran, die hochproduktive Entwicklungserfahrung von Cloud Foundry in die Container Management-Platform Kubernetes einzubringen, die heute Industriestandard ist. SUSE bietet bereits eine containerisierte Implementierung der Cloud Foundry Application Runtime, die in Kubernetes ausgeführt wird, eine einheitliche Verwaltung von Cloud Foundry- und Kubernetes-Implementierungen über eine einzige Konsole, einen unterstützten Betrieb auf jeder zertifizierten Kubernetes-Plattform sowie eine technische Vorschau auf Kubernetes-natives Scheduling.

Die SUSE Cloud Application Platform 2.0 erweitert diese Zusammenarbeit, indem sie verschiedene Upstream-Technologien integriert, die SUSE der Cloud Foundry Community zur Verfügung gestellt hat. Dazu gehören KubeCF, eine containerisierte Version der Cloud Foundry Application Runtime, die für die Ausführung auf Kubernetes entwickelt wurde, und Projekt Quarks, ein Kubernetes-Operator zur Automatisierung der Bereitstellung und Verwaltung von Cloud Foundry auf Kubernetes.

Da SUSE auf dem Upstream KubeCF-Projekt aufbaut und regelmäßig und inkrementell neue Kubernetes-Funktionen integriert, können Benutzer von Cloud Foundry, die Vorteile der neuen Kubernetes-Funktionen sofort nutzen und so den Übergang zu einer Kubernetes-Architektur beschleunigen. Auf dem Cloud Foundry Summit heute und morgen erfahren Sie mehr darüber, wie SUSE Cloud Foundry in der SUSE Cloud Application Platform bereitstellt.

Bei SUSE ist die Begeisterung gross über die neuen Funktionen, die mit der SUSE Cloud Application Platform 2.0 eingeführt wurden – testen Sie es es selbst! Wenn Sie ein Entwickler sind, melden Sie bei  der Developer Sandbox an – Sie erhalten so kostenlosen Zugriff auf die Plattform. Erleben Sie aus erster Hand die einfache, schnelle und effektive Anwendungsbereitstellung. Wenn Sie Plattformadministrator sind, nutzen Sie das kostenlose, zeitlich begrenzte Accelerate Innovation Angebot von SUSE: Es bietet Ihnen den gesamten Container- und Application-Platform-Stack von SUSE, einschließlich der SUSE Cloud Application Platform, der SUSE CaaS-Plattform (unsere Kubernetes-Distribution) und SUSE Enterprise Storage sowie Support, Schulungen und Consulting, mit denen Sie Ihre Implementierung sicher forcieren können. Weitere Informationen zeigen Ihnen, wie Sie Anwendungen schneller bereitstellen können.

Ich freue mich darauf von Ihnen zu erfahren, wie die schnelle Bereitstellungen von Anwendungen den Wandel in Ihrem Unternehmen vorantreibt!

Edge Computing entwickelt sich derzeit zu einem der wichtigsten Trends der IT. Unternehmen setzen zunehmend auf verteilte IT-Infrastrukturen und bringen immer mehr Intelligenz an den Netzwerkrand. So lassen sich Daten direkt dort verarbeiten, wo sie erzeugt und gesammelt werden, statt sie zur Analyse erst in die Cloud oder in ein Rechenzentrum zu übertragen.

Warum ist Edge Computing wichtig?

Der dezentrale IT-Ansatz ermöglicht es, Erkenntnisse in Echtzeit zu gewinnen und schnellere, intelligentere Entscheidungen zu treffen. Außerdem werden Anwender nicht mehr durch hohe Latenzen oder Ausfälle von Services gebremst. Mit Edge Computing können zukunftsorientierte Unternehmen neue Dienste einführen, die die Customer Experience massiv verbessern, die Produktivität steigern, Kosten sparen und für erhebliche Wettbewerbsvorteile sorgen.

Bei all diesen potenziellen Vorteilen ist es kein Wunder, dass Branchenexperten und Analysten dem Edge Computing eine große Zukunft prognostizieren. Laut IDC werden Unternehmen bis 2023 mehr als 50 Prozent ihrer neuen IT-Infrastruktur im Edge-Bereich implementieren. Die Anzahl der am Netzwerkrand genutzten Anwendungen soll im Vergleich zu heute um 800 Prozent steigen.

Diese Vorhersagen wurden gemacht, bevor sich die Covid-19-Pandemie ausbreitete. Aber die weltweite Ausnahmesituation hat die Nachfrage nach verteilten IT-Systemen sogar eher noch verstärkt. Immer mehr Anwender arbeiten derzeit von zu Hause aus. Dies führt auch dazu, dass sehr viele Daten remote erfasst, analysiert, verwaltet und kontrolliert werden. Die prognostizierten Wachstumsraten werden daher mit hoher Wahrscheinlichkeit tatsächlich eintreten.

Lösungen für den Edge-Bereich entwickeln

Der Trend zum Edge Computing macht aber Cloud Services oder On-Premise-Infrastrukturen im Rechenzentrum nicht überflüssig – ganz im Gegenteil. Das gesamte IT-Ökosystem wächst dadurch und entwickelt sich weiter.

Grundlage für das Edge Computing sind eine Reihe konvergierender Technologien, die sich zu innovativen Lösungen verknüpfen lassen. Dazu gehören neue 5G-Netzwerke, HPC-Systeme, KI- und ML-Fähigkeiten, IoT-Geräte, Edge Security, verteilte private Clouds und vieles mehr.

So eröffnet Edge Computing einen riesigen Spielraum für neue digitale Dienste und Anwendungen. Einige davon zielen ausschließlich auf Consumer-Märkte ab, andere wiederum adressieren kritische Business-Anwendungen. Die folgenden drei Use Cases werden das Wachstum von Edge Computing in den nächsten Jahren beschleunigen:

Autonome Fahrzeuge

Moderne Autos haben sich in den letzten Jahren Schritt für Schritt zu ‚mobilen Rechenzentren‘ entwickelt – und jeder Automobilhersteller ist mittlerweile auch ein Softwareentwickler. Kameras, Sensoren und andere IT-gestützte Systeme im Fahrzeug erfassen und verarbeiten heute eine Vielzahl von Informationen. Motorsteuerung, Fahrhilfen, Sicherheits- und Unterhaltungssysteme sind ohne digitale Intelligenz nicht mehr vorstellbar.

Durch den Trend zum autonomen Fahren wird in den nächsten Jahren noch deutlich mehr IT-Power im Auto benötigt. Experten schätzen, dass in einem selbstfahrenden Kraftfahrzeug in acht Stunden Fahrtzeit rund 40 Terabyte an Daten verarbeitet werden. Einige dieser Daten sind relativ unkritisch und können zur Analyse auch in die Cloud übertragen werden – andere Daten müssen aber zwingend in Echtzeit an Bord des Fahrzeugs ausgewertet werden. Verbindungsausfälle oder zu hohe Latenzzeiten bei der Übertragung in die Cloud könnten sonst die Sicherheit und Gesundheit der Passagiere gefährden.

Um die Mobilität von morgen mitzugestalten und eine leistungsfähige Basis für das softwaregesteuerte Auto zu schaffen, arbeitet SUSE seit Kurzem eng mit Elektrobit zusammen – einem visionären globaler Anbieter von Embedded- und Connected-Software-Lösungen und Dienstleistungen für die Automobilindustrie. Ziel dieser strategischen Partnerschaft ist, ein Linux-basiertes Betriebssystem der nächsten Generation für die intelligenten Fahrzeuge der Zukunft bereitzustellen.

Digitales Gesundheitswesen

IoT-Geräte werden für die Echtzeit-Überwachung von Patientendaten immer wichtiger. Experten rechnen damit, dass dieser Markt bis 2025 ein Volumen von 500 Milliarden US-Dollar erreichen wird. Die Gründe dafür lassen sich einfach nachvollziehen. In Situationen, in denen es um Leben oder Tod geht, zählt jede Sekunde. Wenn Ärzte auf Testergebnisse oder die Analyse von Daten warten müssen, schmälert dies unter Umständen die Überlebenschancen eines Patienten. Sind wichtige Daten aus der Intensivmedizin hingegen sofort verfügbar oder lassen sich diese direkt vom Krankenwagen an das Krankenhaus übermitteln, können Mediziner auch sofort die notwendigen lebensrettenden Maßnahmen ergreifen.

Leistungsfähige Technologien im Edge-Bereich machen dies erst möglich, da sie die Geschwindigkeit der Datenverarbeitung erheblich steigern. Vereinfachte Workflows im klinischen Bereich verbessern dabei auch die Kosteneffizienz des Gesundheitswesens. Und schließlich kann die lokale Datenhaltung beim Edge Computing auch helfen, die Sicherheit sensibler Patientendaten zu erhöhen.

Intelligente Städte

In Deutschland leben bereits 77 Prozent aller Menschen in Städten oder städtischen Ballungsräumen und Experten rechnen damit, dass die urbane Bevölkerung in Zukunft weiter anwachsen wird. Schon in 20 Jahren werden beispielsweise in München 300.000 Menschen mehr leben als heute – so eine aktuelle Prognose.

Nur intelligente digitale Städte können mit diesem Wachstum Schritt halten und trotz hoher Nachverdichtung weiterhin eine gute Lebensqualität bieten. Die Infrastrukturen dafür entstehen bereits. In unserer Umgebung werden immer mehr Daten von IoT-Geräten gesammelt. Dazu gehören Straßenlaternen, Videokameras, Verkehrssensoren, Stromzähler und eine ganze Reihe weiterer Geräte und Systeme.

Der Schlüssel zu einer Smart City liegt jedoch in der Fähigkeit, alle diese Daten möglichst in Echtzeit zu analysieren. Erst auf dieser Grundlage können Aktionen angestoßen werden, die das Leben in der Stadt angenehmer und sicherer machen. Ganz gleich, ob es um ein intelligentes Verkehrs- und Transportmanagement, eine möglichst nachhaltige Ressourcennutzung oder die zuverlässige Überwachung der öffentlichen Sicherheit geht – Edge Computing spielt stets eine Schlüsselrolle. Wenn etwa Notsituationen durch intelligente Systeme automatisch erkannt werden, können Polizei, Rettungsdienst und Feuerwehr schneller vor Ort sein, um die Situation zu bewältigen.

Die Entwicklung autonomer Fahrzeuge, die intelligente Vernetzung unserer Städte und die Digitalisierung des Gesundheitswesens sind drei der wichtigsten Treiber für das Edge Computing.

Es gibt mehrere Aspekte, die diese Anwendungsfelder gemeinsam haben. Alle drei Use Cases erfordern Software-Stacks auf Enterprise-Niveau für den geschäftskritischen Einsatz. Es darf keine Kompromisse bei Leistung, Zuverlässigkeit, Sicherheit und Support geben. Zudem müssen Edge-Lösungen in diesen drei Bereichen individuell anpassbar sein und sich möglichst einfach implementieren, verwalten und warten lassen.

Genau diese Faktoren zählen zu den größten Stärken von SUSE. Und genau aus diesen Gründen setzen viele Unternehmen bei der Entwicklung ihrer Edge- und IoT-Lösungen auf unser Lösungsportfolio. Erfahren Sie jetzt, wie Sie Ihre Organisation mit SUSE auf das Edge Computing der nächsten Generation vorbereiten.

Mitarbeitern im Home Office einen sicheren und zuverlässigen Zugriff auf ihre geschäftskritischen Anwendungen zu ermöglichen – das ist aktuell die große Herausforderung für Unternehmen. Hardware-Engpässe, begrenzte Budgets und enormer Zeitdruck erschweren zusätzlich in vielen Organisationen die Umsetzung von Notfallplänen. Für ein reibungsloses Arbeiten von zu Hause bieten wir ein kostengünstiges Business Continuity-Konzept, das Sie schnell und einfach einführen können: den SUSE Home Office Workplace.

Im normalen Geschäftsalltag wird dem Thema Business Continuity meist wenig Aufmerksamkeit geschenkt. Solange alle Prozesse wie gewohnt laufen, findet sich in Unternehmen selten die Zeit, über Notfallszenarien für außergewöhnliche Situationen, wie wir sie heute erleben, nachzudenken. Daher gibt es oft nur rudimentäre Planungen für den Umgang mit unvorhergesehenen Ereignissen.

Die Covid-19-Pandemie hat innerhalb weniger Wochen vieles radikal verändert. Unternehmen und Organisationen auf der ganzen Welt müssen jetzt sehr schnell Maßnahmen ergreifen, um ihren Geschäftsbetrieb so gut wie möglich aufrechtzuerhalten. Eine Schlüsselrolle spielt dabei das Thema Heimarbeitsplätze. Wenn möglichst viele Anwender ihre Aufgaben von zu Hause aus erledigen, sinkt das Infektionsrisiko – und Unternehmen bleiben trotz der Krise weiter handlungsfähig.

Business Continuity: Herausforderungen für IT-Manager

In vier Punkten zusammengefasst, stehen IT-Verantwortliche vor den folgenden Problemen:

• Hardware-Engpässe: Der Markt kann die sprunghaft gestiegene Nachfrage nach entsprechender Hardware kaum noch bedienen. Business-Notebooks oder Desktop-Rechner für eine große Anzahl von Home Office-Anwendern sind kurzfristig oft nicht lieferbar.
• Begrenzte Budgets: Für die ungeplante Beschaffung von Hardware und Lizenzen ist in vielen Organisationen kein Budget vorhanden. Organisationen tragen zudem ein hohes Investitionsrisiko, da noch gar nicht absehbar ist, wie lange das zusätzliche Equipment überhaupt benötigt wird.
• Zeitlicher Druck: Jeder Tag zählt. Je länger es dauert, bis Mitarbeiter im Home Office wieder produktiv arbeiten können, desto größer sind die Verluste für das Unternehmen.
• Sicherheit: Die Verbindung vom Home-Office in das Firmennetzwerk sollte sicher und ohne die Notwendigkeit spezieller und damit teurer Hard- und Software möglich sein.

Viele dieser Herausforderungen können Sie mit Open Source-Softwarelösungen bewältigen.  Für die kurzfristige Bereitstellung von Home Office-Arbeitsplätzen haben wir für Sie den SUSE Home Office Workplace entwickelt. Unternehmen können mit dem SUSE Home Office Workplace eine Business Continuity-Strategie umsetzen, die genau auf ihren Bedarf zugeschnitten ist und die oben beschriebenen Bereiche adressiert:

• Linux-Betriebssysteme bieten auch auf Hardware mit geringen Systemressourcen eine gute Performance. So können Unternehmen ihre ausgemusterten PCs und Notebooks ganz unkompliziert in sichere Endgeräte für Home Office-Anwender verwandeln. Selbst auf einem Raspberry Pi lässt sich SUSE Linux Enterprise Server for Arm ausführen.
• Sie können die Lösung kostenlos evaluieren und damit sofort mit dem Aufbau Ihrer Notfallumgebung starten. Später zahlen sie durch das Abonnement-Modell von SUSE nur für die PCs oder Laptops, die Sie auch tatsächlich im Einsatz haben, und nur so lange, wie Sie die Systeme benötigen. Es gibt keine einmaligen Lizenzkosten.
• Frei verfügbare Handbücher und Best Practices ermöglichen zudem eine schnelle Umstellung der Endgeräte auf einen Linux-Desktop.

Was benötigen Anwender, um zu Hause sicher und produktiv zu arbeiten?

Für die sichere Anbindung der Home Office-Arbeitsplätze an das Unternehmen über das Internet gibt es ebenfalls leistungsfähige Open Source-Softwarelösungen. SUSE empfiehlt hier den Einsatz der VPN-Lösung OpenVPN. Anwender erhalten damit sehr einfach einen geschützten Zugang zu allen Ressourcen im Unternehmensnetzwerk.

Als lokale Anwendungen bringt der Linux-Desktop von SUSE unter anderem ein vollständiges LibreOffice-Paket sowie freie Software für E-Mail, Collaboration und Instant Messaging mit. Via Webbrowser können die Mitarbeiter auch auf die Anwendungen von Microsoft Office 365 zugreifen. Verbindungen zu virtuellen Desktops von Microsoft oder anderen Anbietern lassen sich mit der entsprechenden Client-Software ebenfalls schnell herstellen. Damit stehen Mitarbeitern im Home Office alle Anwendungen zur Verfügung, um sofort produktiv arbeiten zu können.

Remote-Arbeitsplätze zentral managen und konfigurieren

IT-Abteilungen sind mit dem SUSE Home Office Workplace in der Lage, auch eine größere Anzahl von Remote-Arbeitsplätzen effizient zu verwalten. Die Managementlösung SUSE Manager vereinfacht die automatische Installation und Erstellung von Festplatten-Images und ermöglicht zudem ein zentrales Konfigurationsmanagement aller Clients. Administratoren erhalten darüber hinaus jederzeit einen vollständigen Überblick über alle nötigen Updates und Patches. Sollte der Anstieg an Remote-Arbeitsplätzen den Betrieb zusätzlicher virtueller Server erfordern, ist eine Lastverteilung im Rechenzentrum mittels SUSE Linux Enterprise Server und der Open Source-Virtualisierungslösung KVM möglich.

Zusammengefasst bietet der SUSE Home Office Workplace folgende Bausteine und Lösungen für ein bedarfsgerechtes Business Continuity-Konzept:

• Schnelle Bereitstellung von Home Office-Arbeitsplätzen mit SUSE Linux Enterprise Desktop und SUSE Linux Enterprise Server for Arm für den Raspberry Pi.
• Integrierte OpenVPN-Lösung für die sichere Anbindung der Remote-Anwender an das Unternehmen
• Zentrales Konfigurationsmanagement und Image-Verwaltung mit SUSE Manager
• 60 Tage kostenfreie Evaluierung von SUSE Linux Enterprise Desktop und SUSE Linux Enterprise Server sowie SUSE Manager – danach zahlen Sie im Rahmen unseres Abonnement-Modells nur für die Systeme, die Sie auch tatsächlich im Einsatz haben.
• Anfragen und Hilfe unter kontakt-de@suse.com

Weitere Informationen zum SUSE Home Office Workplace haben wir in unserem QuickStart-Guide für Sie zusammengefasst. Laden Sie sich das Dokument jetzt herunter und starten Sie sofort mit der Umsetzung. Bei Fragen wenden Sie sich bitte an kontakt-de@suse.com.