Hoe Robuust Databeheer Machine Learning en AI in Industriële IoT Aandrijft

In het huidige productielandschap zijn machine learning en artificial intelligence (AI) geen buzzwords meer – ze zijn de motors die de volgende golf van operationele excellentie aandrijven.

Bij Cisco investeren we zwaar in deze technologieën, partnerend met industrieleiders als SAS, die recent een inzichtelijke video produceerde die de concepten helder scheidt: AI is de wetenschap van machines die menselijke intelligentie nabootsen, terwijl machine learning de methode is waarmee die machines van data leren.

Waarom zijn deze capaciteiten kritiek? Productie is stevig in het tijdperk van Industrie 4.0, of Slimme Productie, waar drie fundamentele pijlers – hyperawareness, geïnformeerde besluitvorming en snelle uitvoering – succes drijven. Machine learning en AI strekken deze pijlers natuurlijk uit door enorme datastromen om te zetten in actionable insights.

1. Hyperawareness: Realtime inzichten en opkomende trends vastleggen, zien hoe producten en diensten in het veld presteren.
2. Geïnformeerde Besluitvorming: De datastroom analyseren zodat inzichten de juiste stakeholders op het juiste moment bereiken.
3. Snelle Uitvoering: Beslissingen omzetten in actie – zoals voorspellend onderhoud wanneer een machine vroege tekenen van vermoeidheid toont.

IDC voorspelt dat de AI-market zal groeien met een compound annual growth rate van 54,4% tot 2020, wat meer dan $46 miljard opbrengst bereikt. De sleutel tot het realiseren van deze groei ligt in data – de brandstof voor zowel machine learning als AI.

Overweeg een fabriek die ruwweg 1.000 TB data per dag genereert, met meer dan 10.000 sensoren die meer dan 12.000 variabelen van legacy en moderne apparatuur vastleggen. Deze vloed managen vereist bewuste beslissingen over connectiviteit, opslag en analytics-timing. De juiste datastrategie verbetert niet alleen onderhoud maar optimaliseert ook toeleveringsketens, versnelt R&D en versnelt nieuwe productintrodukties.

Effectief databeheer voor AI en machine learning in productie scharniert op vijf cruciale gebieden:

• Frequentie: Data alleen ophalen wanneer het zakelijke waarde toevoegt om informatie-overbelasting en onnodige kosten te vermijden.
• Prioritering: Zorgen dat kritieke data de juiste bestemming bereikt, netwerkintegriteit behoudend.
• Verwerking: Hybride edge-en-cloud-oplossingen inzetten om realtime-analyse mogelijk te maken waar kern-datacenters of de cloud alleen tekortschieten.
• Orchestratie: In kaart brengen hoe AI-platforms data ontvangen en consumeren, consistente controle en zichtbaarheid behoudend.
• Beveiliging: Productie-integriteit beschermen terwijl AI gebruikt wordt om anomalieën te detecteren en cyberbeveiliging te versterken.

Om fabrikanten te helpen een solide fundering te bouwen, hebben we de Data Management in Digital Manufacturing-gids ontwikkeld, die best practices, workload-architectuur-inzichten en case studies biedt om je technologieroadmap te informeren.

1. Bron: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, oktober 2017