LONDON (IT BOLTWISE) – Sift und QNX liefern eine neue Schnittstelle, mit der Teams Live-Telemetriedaten von eingebetteten Systemen nahezu in Echtzeit auslesen können. Die Lösung verarbeitet Messwerte so, dass sie innerhalb von etwa einer Sekunde nach Verlassen des Geräts per Abfragen verfügbar sind. Für QNX-basierte Systeme soll das ohne Änderungen an der Software im Betrieb funktionieren, weil Sift vorhandene Stream-Mechanismen wie MQTT nutzt. Damit verschiebt sich der Fokus vom Aufbau von Telemetrie-Infrastruktur hin zum schnellen Analysieren von Ereignissen direkt auf einer gemeinsamen Zeitachse.
Die Partnerschaft zwischen Sift und QNX zielt weniger auf ein neues „Sensor-Frontend“ als auf den Engpass, der in vielen Physical-AI- und Safety-Critical-Systemen tatsächlich Zeit kostet: die Observability-Lücke zwischen einem laufenden Gerät und dem Ort, an dem Ingenieurteams Messdaten auswerten. QNX stellt dafür die sicherheitszertifizierte Softwarebasis für eingebettete Plattformen bereit, während Sift die Dateninfrastruktur liefert, um Telemetrie aus solchen Systemen konsistent zu erfassen und zu analysieren. Der Kernversprechen ist dabei nicht nur „Daten sehen“, sondern sie so schnell und strukturiert bereitstellen, dass Teams Ereignisse im laufenden Kontext untersuchen können – ohne die bisherige Gerätesoftware anfassen zu müssen.
Technisch betrachtet baut das Setup auf den bestehenden Kommunikationswegen auf, die unter QNX OS bereits im Betrieb laufen. Sift nimmt die von einem QNX-gestützten System ausgesendeten Telemetrieströme entgegen, nennt dabei explizit MQTT als standardmäßigen Einstiegspunkt, und bietet darüber hinaus kundenspezifische Ingestion-Pfade für weitere Protokolle. Der wichtigste Betriebsaspekt steckt in der Formulierung „ohne Änderungen an der Software, die auf dem Gerät läuft“: So soll die Integration die Telemetrie-Pipeline ergänzen, statt sie im Feld neu zu designen. Praktisch bedeutet das, dass ein Gerät, das bereits über den vorhandenen MQTT-Broker Nachrichten ausgibt, diese im nächsten Schritt in Sift einspeist – dort werden die eingehenden Messages laut Ankündigung als SQL-queriable Daten verarbeitet, die innerhalb von etwa einer Sekunde nach Verlassen des Geräts verfügbar sein sollen.
Damit wird ein Problem adressiert, das in Industrie, Robotik und Automatisierung besonders häufig auftritt: Viele moderne Maschinen erzeugen nicht „ein paar Kennzahlen“, sondern tausende Messwerte aus mehreren Subsystemen. QNX-betriebene Systeme können dabei laut Beschreibung aus vielen getrennten Messgrößen bestehen, verteilt auf Dutzende Subsysteme. Sift ordnet diese Signale dann auf einer gemeinsamen Timeline ein, wodurch sich Muster und Zusammenhänge rekonstruieren lassen: Ein Fault-Event lässt sich mit der CPU-Last davor vergleichen, oder ein Bauteil kann mit dem vorherigen Zustand verglichen werden – selbst dann, wenn man über mehrere hundert produzierte Einheiten hinweg Trends erkennen möchte. Genau diese Art von Zeitreihen- und Kontextanalyse ist eine Voraussetzung dafür, dass Physical-AI-Teams nicht nur „Daten speichern“, sondern echte Debugging- und Optimierungszyklen verkürzen.
Die Marktperspektive dahinter ist klar: Wer Hardware betreibt, braucht mehr als reine Telemetrieprotokolle. Man braucht eine wiederverwendbare Datenplattform, die Mission-Critical-Workloads unterstützt, um aus realen Betriebsdaten schneller zu lernen. Die Ankündigung bettet das in einen größeren Trend ein: QNX wird nicht nur im Automobilumfeld eingesetzt, sondern zunehmend als Softwarebasis für Physical-AI-Anwendungen in Robotik, industrieller Automatisierung und in medizinischen Geräten. Gerade dort sind die Anforderungen an Verlässlichkeit und Echtzeitfähigkeit hoch, während gleichzeitig das Datenvolumen durch Sensorik und Ereignissignaturen kontinuierlich wächst. Die Kooperation positioniert Sift als „Einheitsschicht“ über heterogene eingebettete Plattformen hinweg und reduziert damit den Custom-Aufwand, den einzelne Teams sonst treiben müssten.
Historisch betrachtet war Telemetrie lange Zeit häufig ein „Projekt“ statt eine Infrastruktur: Teams bauten spezialisierte Pipes, entwickelten Ad-hoc-Schemas und passten Datensammler an jede Gerätegeneration an. Bei sicherheitsrelevanten Systemen kommt hinzu, dass Eingriffe in die Gerätesoftware teuer sind – im Rollout, im Validierungsprozess und im Betrieb. Die jetzt beschriebene Architektur setzt stattdessen darauf, dass die Daten auf der Gegenseite „stromfähig“ abgelegt und sofort abfragbar werden. Der Ansatz, dass Sift die bereits laufenden Stream-Quellen aufgreift und nur auf der Plattformseite verarbeitet, passt damit auch zu typischen MLOps- und Engineering-Workflows: Sobald Telemetrie in einer Abfrageform vorliegt (hier: SQL), können nachgelagerte Tools Muster erkennen, Anomalien lokalisieren oder Modelle mit echten Betriebsdaten trainieren bzw. testen – ohne dass man erneut am Feldgerät ansetzen muss.
Aus Wettbewerbssicht ist das Zusammenspiel von eingebetteter Echtzeitumgebung und „live“ Datenobservability ein strategischer Hebel. Zwar arbeiten viele Datenplattformen mit Streaming und Query-Fähigkeiten, doch der praktische Unterschied liegt oft in der Latenzlogik, in der Datenmodellierung und in der Integrationsaufwandsquote im Engineering. Wenn die Pipeline für QNX OS 8.0 explizit so beschrieben wird, dass Nachrichten über einen existierenden MQTT-Broker in Sift gelangen und dann binnen einer Sekunde per Standardabfragen erreichbar sind, adressiert das vor allem Use-Cases, in denen ein „zu spät“ gleichbedeutend mit „nicht mehr diagnostizierbar“ ist. Für Teams heißt das: Sie können Ereignisse schneller mit vorausgehenden Systemzuständen verknüpfen und dadurch auch die Schleife für Software-Iteration verkürzen.
Für Unternehmen, die Physical-AI-Systeme entwickeln, ist die wichtigste Implikation die Entkopplung von Produktentwicklung und Telemetrie-„Plumbing“. Statt jede Generation neu zu verkabeln, können Ingenieurteams die bestehende Datenproduktion auf der Gerätekante nutzen und ihre Auswertungsarbeit auf eine einheitliche Plattform verlagern. Sobald Telemetrie auf einer gemeinsamen Timeline liegt und Abfragen standardisiert sind, lassen sich auch Prozesse wie Root-Cause-Analyse, Leistungsmonitoring und Qualitätsvergleiche über Releases hinweg systematischer durchführen. Gleichzeitig bleibt offen, wie sich die Lösung bei sehr hohen Nachrichtenraten in realen Werksnetzen verhält und wie genau sich Latenzen in unterschiedlichen Netz- und Lastszenarien ausprägen; die Ankündigung nennt jedoch den entscheidenden Richtwert von „innerhalb von einer Sekunde“, was die Zielrichtung für produktive Deployments besonders konkret macht.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Sift und QNX bündeln Live-Telemetrie für Physical-AI-Systeme in Echtzeit" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Sift und QNX bündeln Live-Telemetrie für Physical-AI-Systeme in Echtzeit" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Sift und QNX bündeln Live-Telemetrie für Physical-AI-Systeme in Echtzeit« bei Google Deutschland suchen, bei Bing oder Google News!