Как надежное управление данными движет машинным обучением и ИИ в промышленном IoT

В современном производственном ландшафте машинное обучение и искусственный интеллект (ИИ) больше не являются просто модными словами — это двигатели, питающие следующую волну операционного превосходства.

В Cisco мы сильно инвестируем в эти технологии, партнерствуя с отраслевыми лидерами вроде SAS, которые недавно выпустили проницательное видео, четко разделяющее концепции: ИИ — это наука о машинах, эмулирующих человеческий интеллект, в то время как машинное обучение — это метод, с помощью которого эти машины учатся на данных.

Почему эти возможности критичны? Производство твердо в эре Индустрии 4.0, или Умного Производства, где три фундаментальных столпа — гиперосведомленность, информированное принятие решений и быстрое исполнение — ведут к успеху. Машинное обучение и ИИ естественным образом расширяют эти столпы, превращая огромные потоки данных в действенные инсайты.

1. Гиперосведомленность: Захват инсайтов в реальном времени и возникающих трендов, видение того, как продукты и услуги выполняются в поле.
2. Информированное принятие решений: Анализ потока данных так, чтобы инсайты достигали правильных стейкхолдеров в нужное время.
3. Быстрое исполнение: Преобразование решений в действия — например, предиктивное обслуживание, когда машина показывает ранние признаки усталости.

IDC прогнозирует, что рынок ИИ будет расти с годовой сложной скоростью 54,4% до 2020 года, достигнув более 46 миллиардов долларов выручки. Ключ к реализации этого роста лежит в данных — топливе для машинного обучения и ИИ.

Рассмотрите завод, генерирующий примерно 1000 ТБ данных ежедневно, с более чем 10 000 датчиков, фиксирующих более 12 000 переменных с устаревшего и современного оборудования. Управление этим навалом требует осознанных решений о подключении, хранении и времени аналитики. Правильная стратегия данных не только улучшает обслуживание, но также оптимизирует цепочки поставок, ускоряет НИОКР и ускоряет введение новых продуктов.

Эффективное управление данными для ИИ и машинного обучения в производстве опирается на пять критических областей:

• Частота: Извлекайте данные только тогда, когда они добавляют бизнес-ценность, чтобы избежать информационной перегрузки и ненужных затрат.
• Приоритизация: Обеспечьте доставку критических данных в соответствующее назначение, сохраняя целостность сети.
• Обработка: Используйте гибридные edge- и облачные решения для обеспечения реального времени анализа там, где одни только центральные дата-центры или облако не справляются.
• Оркестрация: Отображайте, как ИИ-платформы получают и потребляют данные, поддерживая последовательный контроль и видимость.
• Безопасность: Защитите производственную целостность, используя ИИ для обнаружения аномалий и усиления кибербезопасности.

Чтобы помочь производителям построить прочную базу, мы разработали руководство Data Management in Digital Manufacturing, предлагающее лучшие практики, инсайты архитектуры рабочих нагрузок и кейс-стади для информирования вашей технологической дорожной карты.

1. Источник: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, October 2017