Передача науки о данных в руки экспертов в предметной области для получения более ценной информации

Новые технологии, такие как расширенная аналитика и искусственный интеллект (ИИ), трансформируют производственный сектор. Заводские цеха наводнены данными, обусловленными ростом числа датчиков Интернета вещей (IoT). Но, как говорит Майк Лафран, технический директор Rockwell Automation в Великобритании и Ирландии, сами по себе данные не являются полезным товаром. Эти данные требуют применения к ним контекста и предметной области, прежде чем они будут проанализированы для получения ценной бизнес-информации и ценности.

Аналитика и искусственный интеллект разрушили многие отрасли, особенно потребительскую. Сегодня мы видим таргетированную рекламу и платформы электронной коммерции в социальных сетях, которые могут предсказывать продукты, которые мы хотим купить, а приложения на основе местоположения могут даже давать рекомендации в зависимости от того, где вы находитесь. Основная идея здесь заключается в том, что аналитика позволяет принимать решения, основанные на данных, благодаря своевременному анализу информации.

Очевидные преимущества

Возникает естественный вопрос, как промышленная обрабатывающая промышленность, которая сильно отличается от потребительского пространства, извлекает выгоду из этой возможности. Преимущества очевидны. В среднем производственные организации, которые приступают к преобразованию своей деятельности с помощью цифровой трансформации и аналитики, стремятся увеличить доход до 10%, снизить операционные расходы на 12% и повысить эффективность активов до 30%.

Другие цифровые технологии стимулируют такой двузначный рост, но когда производители пытаются применить эти технологии в аналитике, они действительно сталкиваются с некоторыми уникальными проблемами. Причина этого в том, что применение аналитики в производственном контексте является сложным. Очень часто аналитика позиционируется как готовое решение, в котором вы сначала собираете все данные централизованно, а затем просто применяете алгоритм или модель, чтобы добраться до земли обетованной.

Что ж, не все так просто. Большинство рабочих нагрузок промышленной аналитики, вероятно, не следует запускать в облаке из-за высоких затрат на пропускную способность сети и более длительных задержек. Имеет смысл развернуть эти аналитические модели ближе к границе, где производятся данные. Также требуется много работы по обучению аналитической модели для промышленных предприятий. Чтобы понять, что нам нужно немного глубже погрузиться в мир промышленных данных.

Управление большими объемами данных

Во-первых, производители должны управлять чрезвычайно большим объемом данных, которые генерируются системами завода в режиме реального времени вместе с историческими данными. Ирония заключается в том, что в зависимости от варианта использования релевантной может быть только часть добытых данных. Затем они должны интегрировать эти данные из разных источников, которые могут использовать разные протоколы.

Эти разнородные системы также могут иметь разные унаследованные технологии, которые могут затруднить подключение и агрегирование данных. Кроме того, у них может не быть общей модели данных между системами, что делает отношения или отношения между точками данных довольно неясными.

Информация также должна быть доставлена ​​соответствующему лицу или системе, чтобы стимулировать действия в короткие сроки, чтобы сделать их актуальными. Наконец, применение аналитики требует глубоких знаний основных производственных процессов. Обычно очень сложно найти у одного человека опыт в области науки о данных и процессов.

Чтобы добиться успеха, крайне важно иметь партнера, который не только разбирается в производстве и аналитике, но также может адаптировать решение к вашим сценариям использования. В идеале этот партнер должен иметь большой опыт в области производства и быть знаком с технологическим оборудованием и технологией эксплуатации, и, конечно же, с вашими бизнес-целями.

Упрощение науки о данных на практике

Требуются инструменты, позволяющие инженерам по контролю и процессам выполнять аналитику без обращения к специалистам по обработке данных. Нам нужно упростить практику науки о данных. Когда мы разговариваем с клиентами, которые находятся на пути к цифровой трансформации, есть два общих требования. Первый - это цифровой работник, а второй - машинное обучение.

Есть четыре шага, которые компании должны предпринять с анализом данных. Во-первых, они должны определить важные операционные атрибуты. Затем они могут перейти к созданию логических структур данных. Достигнув этого, они могут внедрить методы сбора данных с высокой скоростью. Наконец, существует необходимость в повторном использовании моделей на информационном уровне для большей эффективности и скорости. Наша цель - ускорить получение результатов за счет оснащения инженеров инструментами для анализа данных.

Мы пытаемся упростить инженерам по автоматизации или контролю выполнение некоторых из этих задач в области науки о данных. Это можно сделать в нашем продукте ThingWorxs Analytics, который потребляет данные и выполняет некоторые из тех шагов, которые придется пройти специалистам по данным. Он предоставляет инновационные шаблоны решений, которые предоставляют науку о данных в руки экспертов в предметной области.

Он может просматривать теги, чтобы определить, какие из них необходимы для оптимального прогноза. Из сотни или даже тысячи может быть только пять, которые могут оказать серьезное влияние. Затем он автоматически проходит через то, что называется автоматическим машинным обучением, которое помогает выбрать алгоритм для запуска, и даже запускает ряд сценариев, чтобы выбрать, какой алгоритм или набор алгоритмов дает лучший результат.

Это своего рода упрощение этого сложного процесса, которое позволит экспертам в предметной области действительно извлечь ценность, которая скрыта в собранных данных и предвещает эпоху гражданских специалистов по данным.

Автор - Майк Лофран, технический директор Rockwell Automation в Великобритании и Ирландии .

Об авторе

Майк Лафран - технический директор компании Rockwell Automation, занимающейся промышленной автоматизацией и информационными технологиями, в Великобритании и Ирландии. Он проработал в компании более 14 лет, начав с продаж программного обеспечения и поднявшись по служебной лестнице до должности C-Suite, которую он сейчас занимает.