Как качество данных делает проекты Интернета вещей более прибыльными

Ожидается, что в 2022 году глобальные расходы на технологии Интернета вещей (IoT) достигнут 1,2 триллиона долларов (1 триллион евро), в первую очередь в таких отраслях, как дискретное производство - 119 миллиардов долларов (108 миллиардов евро), непрерывное производство - 78 миллиардов долларов (70,8 миллиарда евро), транспорт 71 миллиард (64,5 миллиарда евро) и коммунальные услуги 61 миллиард (55,4 миллиарда евро).

Действительно, ожидается, что рынок продуктов и услуг Индустрии 4.0 значительно вырастет в ближайшие несколько лет - и ожидается, что к тому времени более 60% производителей будут полностью подключены, используя смену технологий, таких как RFID, носимые устройства и автоматизированные системы. , - говорит Рамия Равичандар, вице-президент по продуктам, FogHorn . .

Хотя отрасль ожидает положительного роста текущих и будущих проектов IoT и IIoT, все еще необходимо решить некоторые серьезные проблемы, чтобы полностью завоевать доверие клиентов и превратить пилотные проекты в успешные крупномасштабные проекты IoT. Хотя многие видят ограничения подключения, риски безопасности и предвзятость данных, включая количество данных, проблемы как препятствия на пути к успеху Интернета вещей, мы обнаружили, что качество данных также играет критически важную роль в реализации эффективных проектов Интернета вещей.

Что такое качество данных и как оно влияет на успех развертывания?

Качество данных играет жизненно важную роль в растущем внедрении устройств Интернета вещей по трем основным направлениям:

1. Организации могут принимать правильные решения на основе данных только в том случае, если данные, которые они используют, верны и подходят для конкретного случая использования.
2. Данные низкого качества практически бесполезны и могут привести к серьезным проблемам, таким как неточные модели машинного обучения, неточное принятие решений или недостаточная рентабельность инвестиций.
3. В частности, классические проблемы "мусор на входе / выходе" вновь всплыли на поверхность с увеличением количества приложений искусственного интеллекта и машинного обучения.

Высококачественные потоки данных, обучение и настройка моделей машинного обучения (ML) позволяют предприятиям, использующим IoT, принимать обоснованные решения на основе данных.

Например, неожиданный отказ паровой турбины может привести к критическому сбою, повреждению и экономическим потерям как для электростанции, так и для нижестоящей энергосистемы. Модели прогнозирующего машинного обучения, обученные на высококачественных наборах данных, помогают этим промышленным организациям максимизировать надежность своего оборудования, обнаруживая потенциальные отказы до того, как возникнут серьезные проблемы.

Однако грязные данные, в том числе отсутствующие, неполные или подверженные ошибкам данные, заставляют организации совершать неудобные, трудоемкие и дорогостоящие ошибки. Фактически, по данным Института хранилищ данных (TDWI), грязные данные обходятся американским компаниям примерно в 600 миллиардов долларов (545 миллиардов евро) ежегодно. Это факт, что около 80% работы специалиста по данным сосредоточено на подготовке и очистке данных, чтобы модели машинного обучения давали правильную информацию.

Забегая вперед, организации должны использовать методологии для обеспечения полноты, достоверности, согласованности и правильности потоков данных для повышения качества понимания, развертывания эффективных проектов Интернета вещей и достижения оптимальной рентабельности инвестиций.

Итак, какую роль играют периферийные вычисления в качестве данных?

Промышленные датчики бывают разных типов и собирают большие объемы, разновидности и скорости данных, включая видео, аудио, ускорение, вибрацию, акустику и многое другое. Если организация сможет успешно согласовать, очистить, обогатить и объединить все эти различные потоки данных, это может значительно повысить эффективность, здоровье и безопасность их операций. Однако, чтобы составить полную и точную картину работы фабрики, организации должны собирать, объединять и обрабатывать необработанные данные, полученные из этих разнообразных удаленных источников данных.

Периферийные вычисления процветают в этих типах сред, поскольку они могут собирать и обрабатывать данные в реальном времени с самого начала, а затем создавать структуру в данных, чтобы помочь идентифицировать ценность.

Машины с поддержкой Edge помогают очищать и форматировать грязные данные локально, что улучшает обучение и развертывание точных и эффективных моделей машинного обучения. Действительно, отраслевые исследователи считают, что варианты использования Интернета вещей на основе периферии станут мощным катализатором роста на ключевых вертикальных рынках - и что к 2025 году данные будут обрабатываться (в той или иной форме) с помощью периферийных вычислений в 59% развертываний Интернета вещей.

Например, с помощью граничных вычислений предприятия могут улучшить качество продукции, анализируя данные датчиков в режиме реального времени для выявления любых значений, выходящих за пределы ранее определенных пороговых значений, создавать и обучать модель машинного обучения для выявления основных причин проблем и, при желании, развертывать модель ML для автоматической остановки производства дефектных деталей.

Для этих и аналогичных вариантов использования решения на периферии преобразуют машинные данные в реальном времени (данные низкого качества) в полезные аналитические данные (данные высокого качества), связанные с показателями эффективности производства и качества, которые могут использоваться руководителями операций для снижения незапланированные простои, максимизируйте урожайность и увеличьте коэффициент использования оборудования.

Многие организации начинают понимать, какую ценность периферийные вычисления могут принести их проектам IoT и IIoT, поскольку периферийные решения превращают необработанные потоковые данные датчиков в полезные сведения с помощью обработки данных и аналитики в реальном времени. Очищая и обогащая грязные данные в момент их создания, периферийные вычисления могут значительно улучшить качество данных и уточнить повторяющиеся машинные данные для повышения эффективности работы.

Автор - Рамия Равичандар, вице-президент по продуктам, FogHorn