Повышение ROI: как высокое качество данных движет успехом IoT

Глобальные технологические расходы на Интернет вещей (IoT) прогнозируются достичь $1,2 трлн (€1 трлн) в 2022 году, с дискретным производством ($119 млрд, €108 млрд), процессным производством ($78 млрд, €70,8 млрд), транспортом ($71 млрд, €64,5 млрд) и утилити ($61 млрд, €55,4 млрд) в лидерах.

Рынок Индустрии 4.0 готов к существенному росту, и к концу десятилетия более 60% производителей ожидается будут полностью подключены, используя технологии вроде RFID, носимых устройств и автоматизации, отмечает Рамья Равичандар, VP Products в FogHorn.

Несмотря на оптимистичные прогнозы, IoT и IIoT инициативы всё ещё сталкиваются с препятствиями, которые могут эродировать доверие клиентов и затормозить переход от пилота к полноценному развёртыванию. Пока лимиты связности, проблемы безопасности и смещение данных часто цитируются, качество самих данных является решающим фактором успеха проекта.

Что такое качество данных — и почему это важно для IoT

Качество данных — краеугольный камень эффективной реализации IoT, влияющий на результаты тремя ключевыми способами:

1. Только точные, релевантные данные могут информировать обоснованные, данные-ориентированные решения.
2. Низкокачественные данные делают аналитику и модели машинного обучения неэффективными, ведуя к дорогим ошибкам и плохому ROI.
3. Ренессанс ИИ и ML усилил классическую проблему «garbage-in, garbage-out».

Высококачественные данные кормят и уточняют ML-модели, уполномачивая заводы принимать доказательные решения. Например, модели предиктивного обслуживания, построенные на чистых датасетах, могут детектировать грядущие сбои паровых турбин до того, как они вызовут катастрофический даунтайм, защищая и электростанции, и более широкую сеть.

Наоборот, грязные данные — отсутствующие, неполные или ошибочные — загоняют организации в времязатратные, дорогие ошибки. TDWI оценивает, что американские компании теряют примерно $600 млрд (€545 млрд) ежегодно из-за проблем качества данных. Дата-сайентисты тратят около 80% своего времени на подготовку данных, чтобы модели доставляли действенные инсайты.

Future-ready предприятия должны принять надёжные процессы, гарантирующие полноту, валидность, консистентность и корректность по всем потокам данных, тем самым повышая качество инсайтов, драйвя успешные IoT-роллауты и раскрывая максимальный ROI.

Роль edge computing в улучшении качества данных

Промышленные сенсоры генерируют огромные объёмы разнородных данных — видео, аудио, вибрация, акустика и более. Выравнивание, очистка, обогащение и фьюжн этих потоков необходимы для доставки комплексной картины операций. Edge computing превосходит в этой среде, захватывая и обрабатывая данные в реальном времени, структурируя их для немедленного извлечения ценности.

Edge-устройства локально очищают и форматируют сырые данные, улучшая обучение и развёртывание точных ML-моделей. Отраслевые исследования предсказывают, что к 2025 году 59% IoT-развёртываний будут включать edge-обработку.

Например, заводы могут использовать edge-аналитику для мониторинга выходов сенсоров в реальном времени, флагнуть значения вне предопределённых порогов и автоматически останавливать производство дефектных единиц — тем самым повышая качество продукта и снижая даунтайм.

Edge-решения трансформируют сырой, низкокачественные потоки в действенные, высококачественные инсайты, которые операционные менеджеры могут использовать для максимизации выхода, утилизации оборудования и общей эффективности.

Организации всё чаще признают, что edge computing не только доставляет реальное-временную аналитику, но и повышает качество данных, очищая и обогащая информацию у её источника, ведуя к лучшим операционным результатам.

Автор: Рамья Равичандар, VP Products, FogHorn.