Управление данными способствует машинному обучению и искусственному интеллекту. в IIOT

Посетите любую конференцию, веб-семинар или поговорите с аналитиками из производственной сферы, и вы услышите два самых модных слова:«машинное обучение» и «искусственный интеллект» (ИИ). В Cisco мы изучаем эти области и инвестируем в них, а также активно внедряем машинное обучение и искусственный интеллект в свое портфолио.

Часто эти два термина толкуются неверно. Компания SAS, один из наших глобальных партнеров, недавно сняла отличное видео о различиях между ними:

Как отмечено в видео:

• ИИ - это наука о машинах и компьютерах, имитирующих людей.
• Машинное обучение - это метод обучения машин на основе данных.

Так почему же эти темы так важны и почему вокруг этих областей, связанных с будущим производства, так много шума? В настоящее время мы видим производство в эпоху Индустрии 4.0 / Интеллектуального производства. Эта техническая эволюция подробно обсуждалась в этом блоге, но, чтобы быстро резюмировать из Ultimate Guide to Manufacturing, мы видим три основополагающих области, критически важных для производителей на этом пути.

1. Повышенная осведомленность:способность организации распознавать идеи и будущие тенденции в режиме реального времени. Важнейшим компонентом повышенной осведомленности является способность воочию увидеть, как продукты и услуги используются на практике.
2. Принятие осознанных решений:способность активно анализировать информацию, поступающую из-за повышенной осведомленности, и обеспечивать ее доставку тем, кто в ней больше всего нуждается.
3. Быстрое выполнение. Обоснованные решения должны претворяться в жизнь (например, профилактическое обслуживание, когда машина в цехе показывает первые признаки усталости).

Машинное обучение и искусственный интеллект являются естественным продолжением этих фундаментальных возможностей.

По данным IDC:

IDC отметила, что эта тенденция в области ИИ будет продолжать развиваться, «достигнув совокупного годового темпа роста 54,4% до 2020 года, когда выручка составит более 46 миллиардов долларов. ¹

Основа машинного обучения и искусственного интеллекта

Основой машинного обучения и искусственного интеллекта являются данные. Данные будут использоваться на этих платформах, чтобы помочь улучшить все аспекты производства и, в конечном итоге, увеличить рентабельность инвестиций (ROI). Например, в упрощенном сценарии профилактического обслуживания машина и ее система диспетчерского управления должны иметь возможность соотносить свою оптимальную производительность и распознавать отклонения от базовой линии. Он должен рассмотреть несколько источников данных, сопоставить, проанализировать и затем принять решение. Слишком много информации может подавить аналитику и замедлить работу; слишком мало информации, и машина не получит ценность для разумной оптимизации и улучшения. Машинное обучение и искусственный интеллект также могут трансформировать приложения в таких областях, как оптимизация цепочки поставок, исследования и разработки, а также внедрение новых продуктов - это лишь некоторые примеры.

Теперь представьте, что фабрика может производить 1000 ТБ данных в день, при этом более 10000 датчиков фиксируют более 12000 переменных от устаревшего и нового оборудования. Эти взаимосвязанные факторы требуют большого внимания и означают, что производителям необходимо не только учитывать возможность подключения к данным, но и решать, куда эти данные должны поступать, как часто их отправлять и как их использовать. Эта динамика данных закладывает основу для машинного обучения и искусственного интеллекта.

Некоторые области управления данными для поддержки ИИ и машинного обучения, которые следует учитывать:

• Частота. Подумайте, как часто данные приносят пользу бизнесу и извлекают их только так часто. Ненужное извлечение данных может вызвать информационную перегрузку. Добавление облачных приложений для вычислений также может создавать сценарии, в которых несегментированные данные приводят к ненужным расходам, накладным расходам и влияют на операционные бюджеты.
• Приоритезация:отдавайте приоритет критическим данным над некритичными, чтобы обеспечить целостность сети и помочь убедиться, что ценная информация попадает в нужное место назначения.
• Обработка. Традиционные вычислительные модели отправляют данные в основной центр обработки данных или в облако для анализа. Однако это непрактично во многих производственных сценариях. Часто машинное обучение и искусственный интеллект в производственных данных требуют анализа в реальном времени. Сетевым архитекторам следует рассмотреть гибридное решение периферийных вычислений и централизованных вычислений данных для поддержки инициатив в области машинного обучения и искусственного интеллекта.
• Оркестровка:приток данных увеличивает важность определения того, как платформы машинного обучения и искусственного интеллекта получают эти данные и как они их используют. Важно обеспечить постоянный контроль и осведомленность о данных, в том числе о том, когда они получены, как доставляются и почему были отправлены.
• Безопасность. Целостность производственной среды критически важна, но подключение нескольких каналов данных может привести к появлению новых уязвимостей в системе безопасности. Хотя машинное обучение и искусственный интеллект могут принести огромные выгоды для бизнеса, нарушение безопасности может создать риски для данных и конфиденциальности, которые могут поставить под угрозу репутацию компании и доверие клиентов. С другой стороны, машинное обучение также может помочь обеспечить безопасность как средство обнаружения аномалий.

Чтобы помочь производителям создать основу для машинного обучения и искусственного интеллекта, мы разработали руководство по управлению данными в цифровом производстве. В руководстве представлены передовые методы управления данными и рекомендации по определению архитектуры рабочей нагрузки, которая подходит вам при рассмотрении дорожной карты технологии. Он также включает важные тематические исследования, а также ресурсы, которые могут помочь вам перейти на эту новую модель данных.

1. Источник:IDC FutureScape:Worldwide Manufacturing 2018 Predictions, документ № DC № US42126117, октябрь 2017 г.