Расширение прав доменных экспертов наукой о данных для более умных производственных инсайтов

Продвинутая аналитика и искусственный интеллект перестраивают производство, однако сырые данные в одиночестве предлагают ограниченную ценность. Майк Локран, CTO для Великобритании и Ирландии в Rockwell Automation, подчеркивает, что контекст и доменная экспертиза необходимы для трансформации данных в действенные бизнес-инсайты.

Пока потребительские рынки видели ИИ-ориентированную персонализацию — от таргетированной рекламы до локационных рекомендаций — производство может раскрыть похожие выгоды. Аналитика доставляет своевременные, основанные на данных решения, выявляя критические инсайты именно когда они важны больше всего.

Четкие выгоды

Цифровая трансформация, подкрепленная аналитикой, может поднять выручку до 10%, сократить операционные затраты до 12% и повысить эффективность активов до 30%. Эти цифры отражают реальные выигрыши организаций, принявших data-centric операции.

Внедрение аналитики в производстве представляет уникальные вызовы. Преобладающая «централизованная-облачная» модель часто терпит неудачу, потому что высокие затраты на пропускную способность сети и латентность мешают принятию решений в реальном времени. Запуск моделей на краю, близко к источнику данных, обычно более эффективно.

Управление большими объемами данных

Производители генерируют массивные потоки real-time заводских данных и исторических записей. Однако только небольшое подмножество может быть релевантно для конкретного варианта использования. Интеграция гетерогенных источников — каждого с уникальными протоколами и legacy-технологиями — требует сложной агрегации данных и единой модели данных для прояснения отношений.

Инсайты должны достигать правильного стейкхолдера или автоматизированной системы в коротком окне, чтобы оставаться действенными. Достижение этого требует глубокого знания как базовых процессов, так и аналитических техник — редкого сочетания в одном лице.

Успешная трансформация опирается на партнерство с экспертами, понимающими и производственные операции, и аналитику. Такие партнеры привносят отраслевое наследие, знакомство с процессным оборудованием и операционной технологией, и выравнивание с вашими бизнес-целями.

Упрощение науки о данных на практике

Инструменты, уполномачивающие инженеров управления и процесса для проведения аналитики — без постоянной зависимости от данных ученых — необходимы. Две основные требования выступили из наших разговоров о цифровой трансформации: цифровые рабочие и возможности машинного обучения.

Компании могут оптимизировать анализ данных через четыре шага:

1. Идентифицировать критические операционные атрибуты.
2. Определить логические структуры данных.
3. Внедрить практики высокоскоростного захвата данных.
4. Переиспользовать модели через информационный слой для скорости и эффективности.

Этот подход ускоряет результаты, оснащая инженеров надежными инструментами науки о данных.

Наша платформа ThingWorx Analytics оптимизирует рабочий процесс науки о данных для инженеров автоматизации и управления. Она идентифицирует наиболее предиктивные теги, применяет auto-ML для выбора оптимальных алгоритмов и оценивает множественные сценарии для определения лучшей комбинации моделей — все без ручного вмешательства.

Это упрощение уполномачивает доменных экспертов извлекать латентную ценность из собранных данных, возвещая эру гражданина-ученого-по-данным.

Автор: Майк Локран, CTO для Великобритании и Ирландии в Rockwell Automation.

Об авторе

Майк Локран служит в Rockwell Automation более 14 лет, прогрессируя от продаж ПО до C-сюита, где он ведет технологическую стратегию для Великобритании и Ирландии.