Produktomvisning

Denne produktomvisningen gir en oversikt på høyt nivå over arkitekturen til Cognite Data Fusion (CDF) og hovedtrinnene for å få fart på implementeringen.

Cognite Data Fusion (CDF) er en plattform for kontekstualisering og DataOps:

• Kontekstualisering kombinerer maskinlæring, kunstig intelligens og domenekunnskap for å tilordne ressurser fra ulike kildesystemer til hverandre i den industrielle kunnskapsgrafen.

• DataOps er et sett med verktøy og ulike praksisformer for å administrere dataenes livssyklus gjennom samarbeid og automatisering.

Arkitektur

Cognite Data Fusion (CDF) kjører i skyen og har en modulær utforming.

Du kan samhandle med dataene dine gjennom dedikerte arbeidsområder i CDF-nett-appen, eller med API-ene og SDK-ene våre.

I de følgende avsnittene får du en innføring i hovedtrinnene når du skal implementere CDF, og hvordan de henger sammen med de ulike CDF-modulene.

Trinn 1: Konfigurere datastyring

Når du skal ta beslutninger, er det viktig å vite at dataene er pålitelige, og at du kan stole på dataene.

Før du integrerer og kontekstualiserer data i CDF, må du definere og implementere retningslinjene dine for datastyring. Vi anbefaler at du utpeker en CDF-administrator til å jobbe med IT-avdelingen for å sikre at CDF følger bedriftens sikkerhetspraksis. Koble CDF til identititetsleverandøren din (IdP), og bruk de eksisterende brukeridentitetene til å administrere tilgang til CDF-verktøyene og dataene.

Du er avhengig av en godt definert datamodell for å gjøre antagelser om datastrukturen, for at du skal kunne utvikle apper i tillegg til dataene i CDF. CDF har standard datamodeller for å utvikle en strukturert, fleksibel og kontekstualisert kunnskapsgraf.

Trinn 2: Integrer data

Etablerte retningslinjer for datastyring gjør at du kan legge til data fra IT-, OT- og ET-kildene dine i CDF. Disse datasystemene omfatter industrielle kontrollsystemer som leverer sensordata, ERP-systemer og massive 3D-CAD-modeller i tekniske systemer.

Trekk ut data

Med lesetilgang til datakildene kan du konfigurere systemintegreringen til å strømme data til CDF-landingssonen, der dataene kan normaliseres og forbedres. Vi støtter standardprotokoller og grensesnitt som PostgreSQL og OPC-UA for å tilrettelegge for dataintegrering med de eksisterende ETL-verktøyene dine og datalagerløsningene.

Vi har uttrekkere som er laget for spesifikke systemer, og standard ETL-verktøy som fungerer med de fleste databaser. Denne tilnærmingen gjør at vi kan redusere logikken i uttrekkerne og kjøre endringer på data i skyen om og om igjen.

Endre data

Dataene lagres i originalformatet i CDF-landingssonen. Du kan kjøre endringer på data i skyen om og om igjen og forme dem på nytt, slik at de passer til CDF-datamodellen.

Avkobling av uttrekkings- og endringstrinnene gjør det enklere å vedlikeholde datakanalene og redusere belastningen på kildesystemene. Vi anbefaler å endre dataene ved hjelp av de eksisterende ETL-verktøyene. Vi tilbyr også CDF-endringsverktøyet som et alternativ for lette endringsjobber.

Forbedre data

De automatiske og interaktive kontekstualiseringsverktøyene i CDF lar deg kombinere kunstig intelligens, maskinlæring, en kraftig regelmotor og ekspertise på området for å kunne tilordne ressurser fra ulike kildesystemer til hverandre i CDF-datamodellen. Start med å kontekstualisere dataene med kunstig intelligens, maskinlæring og regelmotorer, og deretter lar du eksperter på området validere og finjustere resultatene.

Trinn 3: Forbruke data og utvikle løsninger

Med komplette og kontekstualiserte data i den industrielle kunnskapsgrafen kan du bruke de innebygde industrielle verktøyene og utvikle nyttige apper og KI-agenter som oppfyller bedriftens behov.

All informasjonen som er lagret i CDF, er tilgjengelig gjennom de REST-baserte API-ene våre. Cognite tilbyr også lenker og SDK-er for vanlige programmingsspråk og analyseverktøy, for eksempel Python, JavaScript, Spark, OData (Excel, Power BI) og Grafana. Vi tilbyr også fellesskaps-SDK-er for Java, Scala, Rust og .Net.

Functions-tjenesten tilbyr en skalerbar, sikret og automatisk måte å være vert for og kjøre Python-kode.