Hoe datakwaliteit IoT-projecten winstgevender maakt

De wereldwijde technologie-uitgaven voor het Internet of Things (IoT) zullen naar verwachting in 2022 $ 1,2 biljoen (€ 1 biljoen) bedragen, aangevoerd door industrieën zoals discrete productie $ 119 miljard (€ 108 miljard), procesproductie $ 78 miljard (€ 70,8 miljard), transport $71 miljard (€64,5 miljard) en nutsvoorzieningen $61 miljard (€55,4 miljard).

Inderdaad, de markt voor Industrie 4.0-producten en -diensten zal naar verwachting de komende jaren aanzienlijk groeien - en naar verwachting zal meer dan 60% van de fabrikanten tegen die tijd volledig verbonden zijn, gebruikmakend van een verandering van technologieën zoals RFID, wearables en geautomatiseerde systemen , zegt Ramya Ravichandar, VP Products, FogHorn .

Hoewel de industrie een positieve groei verwacht in huidige en toekomstige IoT- en IIoT-projecten, moeten er nog enkele belangrijke uitdagingen worden aangepakt om het vertrouwen van de klant volledig te winnen en proefprojecten om te zetten in succesvolle, grootschalige IoT-producties. Hoewel velen connectiviteitsbeperkingen, beveiligingsrisico's en gegevensbias, waaronder gegevenskwantiteit, problemen zien als obstakels voor IoT-succes, hebben we geconstateerd dat gegevenskwaliteit ook een cruciale rol speelt bij het leveren van effectieve IoT-projecten.

Wat is datakwaliteit - en hoe beïnvloedt het implementatiesucces?

Gegevenskwaliteit speelt op drie manieren een cruciale rol in de toenemende acceptatie van IoT-apparaten:

1. Organisaties kunnen alleen de juiste gegevensgestuurde beslissingen nemen als de gegevens die ze gebruiken correct zijn en geschikt zijn voor het betreffende gebruik.
2. Gegevens van slechte kwaliteit zijn praktisch nutteloos en kunnen leiden tot ernstige problemen, zoals onnauwkeurige machine learning-modellen, onnauwkeurige besluitvorming of een gebrekkige ROI.
3. Met name de klassieke problemen van garbage in/garbage out doken weer op met de toename van toepassingen voor kunstmatige intelligentie en machine learning.

Hoogwaardige datafeeds, treinen en tunes machine learning (ML) modellen om IoT-enabled fabrieken in staat te stellen weloverwogen datagestuurde beslissingen te nemen.

Het onverwachte uitvallen van een stoomturbine kan bijvoorbeeld een kritieke storing, schade en economisch verlies veroorzaken voor zowel de elektriciteitscentrale als het stroomafwaartse elektriciteitsnet. Voorspellende modellen voor machinaal leren, getraind op hoogwaardige datasets, helpen deze industriële organisaties de betrouwbaarheid van hun apparatuur te maximaliseren door potentiële storingen te detecteren voordat zich grote problemen voordoen.

Vuile gegevens, waaronder ontbrekende, onvolledige of foutgevoelige gegevens, zorgen er echter voor dat organisaties lastige, tijdrovende en dure fouten maken. Volgens The Data Warehouse Institute (TDWI) kosten corrupte data Amerikaanse bedrijven zelfs jaarlijks ongeveer $ 600 miljard (€ 545 miljard). Het is een feit dat ongeveer 80% van het werk van een datawetenschapper is gericht op het voorbereiden en opschonen van gegevens om ervoor te zorgen dat de ML-modellen de juiste inzichten bieden.

Vooruitkijkend moeten organisaties methodologieën incorporeren om de volledigheid, validiteit, consistentie en correctheid van hun datastromen te garanderen om de kwaliteit van het inzicht te verbeteren, effectieve IoT-projecten in te zetten en een optimale ROI te realiseren.

Dus, welke rol speelt edge computing in de datakwaliteit?

Industriële sensoren zijn er in veel verschillende soorten en verzamelen grote hoeveelheden, variëteiten en snelheden van gegevens, waaronder video, audio, versnelling, trillingen, akoestiek en meer. Als een organisatie in staat is om al deze verschillende datastromen met succes op elkaar af te stemmen, op te schonen, te verrijken en te fuseren, kan dit de efficiëntie, gezondheid en veiligheid van hun activiteiten aanzienlijk verbeteren. Om echter een volledig en nauwkeurig beeld te krijgen van de fabrieksactiviteiten, moeten organisaties de ruwe inzichten die door deze gevarieerde, externe gegevensbronnen worden geleverd, verzamelen, trouwen en verwerken.

Edge computing gedijt goed in dit soort omgevingen, omdat ze vanaf het begin realtime gegevens kunnen verzamelen en verwerken en vervolgens een structuur binnen de gegevens kunnen creëren om de waarde te helpen identificeren.

Edge-enabled machines helpen bij het lokaal opschonen en formatteren van vuile gegevens, wat de training en implementatie van nauwkeurige en effectieve machine learning-modellen verbetert. Industrieonderzoekers zijn van mening dat edge-based use-cases voor IoT een krachtige katalysator zullen zijn voor groei in de belangrijkste verticale markten - en dat tegen 2025 in 59% van de IoT-implementaties gegevens (in een of andere vorm) zullen worden verwerkt door edge computing in 59% van de IoT-implementaties.

Met behulp van edge computing kunnen fabrieken bijvoorbeeld de productkwaliteit verbeteren door sensorgegevens in realtime te analyseren om eventuele waarden te identificeren die buiten de eerder gedefinieerde drempels vallen, een ML-model bouwen en trainen om de hoofdoorzaken van het probleem te identificeren en, indien gewenst, implementeren het ML-model om de productie van defecte onderdelen automatisch te stoppen.

Voor deze en soortgelijke use-cases zetten edge-enabled oplossingen realtime machinegegevens (gegevens van lage kwaliteit) om in bruikbare inzichten (gegevens van hoge kwaliteit) met betrekking tot productie-efficiëntie en kwaliteitsstatistieken die door operations managers kunnen worden gebruikt om de ongeplande uitvaltijd, maximale opbrengst en meer machinegebruik.

Veel organisaties beginnen de waarde te begrijpen die edge computing kan toevoegen aan hun IoT- en IIoT-projecten, aangezien edge-oplossingen onbewerkte, streaming sensorgegevens omzetten in bruikbare inzichten met behulp van realtime gegevensverwerking en analyse. Door vuile gegevens op te schonen en te verrijken op het moment dat ze worden gemaakt, kan edge computing de gegevenskwaliteit aanzienlijk verbeteren en repetitieve machinegegevens verfijnen voor een betere operationele efficiëntie.

De auteur is Ramya Ravichandar, VP products, FogHorn