Datawetenschap in handen geven van domeinexperts om waardevollere inzichten te leveren

Opkomende technologieën zoals geavanceerde analyse en kunstmatige intelligentie (AI) transformeren de productiesector. De fabrieksvloer wordt overspoeld met gegevens die worden aangedreven door de groei van Internet of Things (IoT)-sensoren. Maar, zegt Mike Loughran, CTO voor het VK en Ierland bij Rockwell Automation , data alleen is geen nuttig goed. Deze gegevens hebben context- en domeinexpertise nodig voordat ze worden geanalyseerd om waardevolle zakelijke inzichten en waarde te leveren.

Analytics en AI hebben veel industrieën ontwricht, vooral de consumentenruimte. Tegenwoordig zien we gerichte advertenties en e-commerceplatforms voor sociale media die kunnen voorspellen welke producten we willen kopen, en locatiegebaseerde apps kunnen zelfs aanbevelingen doen op basis van waar u zich bevindt. Het onderliggende thema hier is dat analytics datagedreven beslissingen mogelijk maakt door inzichten op het juiste moment naar boven te halen.

Duidelijke voordelen

De natuurlijke vraag is hoe de industriële maakindustrie, die heel anders is dan de consumentenruimte, deze kans verzilvert. De voordelen zijn duidelijk te zien. Productieorganisaties die hun activiteiten beginnen te transformeren door digitale transformatie en analyses toe te passen, streven er gemiddeld naar om de omzet met maximaal 10% te verhogen, de bedrijfskosten met maximaal 12% te verlagen en de efficiëntie van bedrijfsmiddelen met maximaal 30% te verbeteren.

Andere digitale technologieën stimuleren dit soort dubbelcijferige groei, maar wanneer fabrikanten deze technologieën proberen toe te passen op analyses, stuiten ze op een aantal unieke uitdagingen. De reden daarvoor is dat de toepassing van analytics in de productiecontext complex is. Heel vaak wordt analytics gepositioneerd als een kant-en-klare oplossing waarbij je eerst alle gegevens centraal verzamelt en vervolgens een algoritme of model toepast om in het beloofde land te komen.

Nou, zo simpel is het niet. De meeste industriële analytische workloads zouden waarschijnlijk niet in de cloud moeten worden uitgevoerd vanwege de hoge netwerkbandbreedtekosten en een langere latentie. Het is logischer om die analytische modellen dichter bij de rand in te zetten, waar de gegevens worden geproduceerd. Het kost ook veel werk om een ​​analytisch model voor een industriële omgeving te trainen. Om dat te begrijpen moeten we wat dieper in de wereld van industriële data duiken.

Hoge datavolumes beheren

Ten eerste moeten fabrikanten een opmerkelijk grote hoeveelheid gegevens beheren die in realtime door fabriekssystemen worden gegenereerd, samen met historische gegevens. De ironie is dat, afhankelijk van de use-case, slechts een fractie van die gedolven data relevant kan zijn. Vervolgens moeten ze deze gegevens integreren uit verschillende bronnen die mogelijk verschillende protocollen gebruiken.

Deze heterogene systemen kunnen ook verschillende legacy-technologieën hebben die connectiviteit en gegevensaggregatie bemoeilijken. Ook hebben ze mogelijk geen gemeenschappelijk gegevensmodel tussen systemen, waardoor de relaties, of de relatie tussen gegevenspunten, nogal onduidelijk zijn.

De inzichten moeten ook worden geleverd aan de relevante persoon of het systeem om binnen een kort tijdsbestek actie te ondernemen om het relevant te maken. Ten slotte vereist het toepassen van analytics diepgaande kennis van de onderliggende industriële processen. Het is meestal buitengewoon moeilijk om de datawetenschap en procesexpertise bij dezelfde persoon te vinden.

Om succesvol te zijn, is het van cruciaal belang om een ​​partner te hebben die niet alleen zowel productie als analyse begrijpt, maar die ook een oplossing kan afstemmen op uw gebruikssituaties. Idealiter moet deze partner een sterke geschiedenis hebben in de productie en bekend zijn met de proceshardware en -technologie, en natuurlijk met uw zakelijke doelstellingen.

Vereenvoudiging van datawetenschap in de praktijk

Wat nodig is, zijn tools om de controle- en procesingenieurs in staat te stellen analyses uit te voeren zonder een beroep te doen op datawetenschappers. We moeten de praktijk van datawetenschap vereenvoudigen. Als we praten met klanten die bezig zijn met hun digitale transformatie, zijn er twee algemene vereisten. De eerste is de digitale werker en de tweede is machine learning.

Er zijn vier stappen die bedrijven moeten nemen bij data-analyse. Ten eerste moeten ze de belangrijke operationele kenmerken identificeren. Ze kunnen dan verder gaan met het opzetten van logische datastructuren. Met dit bereikt kunnen ze praktijken invoeren om gegevens met hoge snelheid vast te leggen. Ten slotte is er de noodzaak om modellen over de informatielaag heen te hergebruiken voor meer efficiëntie en snelheid. Het doel is om resultaten te versnellen door ingenieurs uit te rusten met datawetenschapstools.

We proberen het voor automatiserings- of controletechnici gemakkelijker te maken om sommige van die datawetenschapsactiviteiten op zich te nemen. Dit kunnen we doen in ons ThingWorxs Analytics-product dat de gegevens verbruikt en enkele van die stappen doorloopt die gegevenswetenschappers zouden moeten doorlopen. Het biedt innovatieve oplossingssjablonen die datawetenschap in handen geven van domeinexperts.

Het kan door tags kijken om te correleren die nodig zijn voor de optimale voorspelling. Van de honderd, of zelfs duizend, zijn er misschien maar vijf die een grote impact kunnen hebben. Vervolgens doorloopt het automatisch wat auto machine learning wordt genoemd, wat helpt bij het kiezen welk algoritme moet worden uitgevoerd, en begint zelfs een aantal scenario's te doorlopen om te kiezen welk algoritme of verzameling algoritmen de beste output geeft.

Het is dat soort vereenvoudiging, van wat een complex proces is, dat de domeinexperts in staat zal stellen om echt de waarde te extraheren die is opgesloten in de verzamelde gegevens en het tijdperk van de burgerdatawetenschapper inluidt.

De auteur is Mike Loughran CTO voor het VK en Ierland bij Rockwell Automation .

Over de auteur

Mike Loughran is CTO voor het VK en Ierland bij Rockwell Automation, een leverancier van industriële automatisering en informatietechnologie. Hij werkt al meer dan 14 jaar bij het bedrijf, begon op het gebied van softwareverkoop en klom op naar de C-suite-positie die hij nu bekleedt.