Gegevensbeheer stimuleert machine learning en A.I. in IIOT

Ga naar een conferentie, webinar of praat met analisten in de productieruimte en twee van de grootste modewoorden die je zult horen zijn 'machine learning' en 'kunstmatige intelligentie' (AI). Hier bij Cisco onderzoeken en investeren we ook in deze gebieden en stimuleren we actief machine learning en AI in ons portfolio.

Vaak worden de twee termen verkeerd geïnterpreteerd. SAS, een van onze wereldwijde partners, heeft onlangs een uitstekende video gemaakt over het verschil tussen de twee:

Zoals opgemerkt in de video:

• AI is de wetenschap van machines en computers die mensen nabootsen
• Machine learning is een methode achter hoe machines leren van de gegevens

Dus waarom zijn deze onderwerpen belangrijk, en waarom is er zoveel geroezemoes rond deze gebieden die verband houden met de toekomst van productie? Momenteel zien we productie in het tijdperk van Industrie 4.0/Smart Manufacturing. Deze technische evolutie is uitgebreid besproken in deze blog, maar om snel samen te vatten vanuit de Ultimate Guide to Manufacturing, zien we drie fundamentele gebieden die cruciaal zijn voor fabrikanten tijdens deze reis.

1. Hyperbewustzijn:een organisatorisch vermogen om realtime inzichten en toekomstige trends te herkennen. Een cruciaal onderdeel van hyperbewustzijn is het vermogen om uit de eerste hand te zien hoe producten en diensten in de praktijk worden gebruikt.
2. Geïnformeerde besluitvorming:het vermogen om informatie die via hyperbewustzijn binnenkomt actief te analyseren en ervoor te zorgen dat deze degenen bereikt die deze het meest nodig hebben.
3. Snelle uitvoering:geïnformeerde beslissingen moeten worden omgezet in actie (voorspellend onderhoud wanneer een machine op de fabrieksvloer bijvoorbeeld vroege tekenen van vermoeidheid vertoont).

Machine learning en AI zijn natuurlijke uitbreidingen van deze fundamentele mogelijkheden.

Volgens IDC:

IDC heeft opgemerkt dat deze trend in AI zal blijven groeien, "met een samengesteld jaarlijks groeipercentage van 54,4% tot 2020, wanneer de omzet meer dan $ 46 miljard zal bedragen. ¹

De basis voor machine learning en AI

De basis van zowel machine learning als AI zijn data. Gegevens zullen deze platforms voeden om alle facetten van de productie te helpen verbeteren en uiteindelijk een hoger rendement op investering (ROI) te behalen. In een vereenvoudigd scenario voor voorspellend onderhoud moeten de machine en het toezichthoudende besturingssysteem bijvoorbeeld in staat zijn om de optimale prestaties te correleren en te herkennen wanneer er afwijkingen zijn van de basislijn. Het moet meerdere gegevensbronnen in overweging nemen, correleren, analyseren en vervolgens tot een beslissing komen. Te veel informatie kan analyses overmeesteren en de zaken vertragen; te weinig informatie en de machine zal niet de waarde ontlenen om intelligent te optimaliseren en te verbeteren. Machine learning en AI kunnen ook toepassingen transformeren op gebieden zoals supply chain-optimalisatie, onderzoek en ontwikkeling en de introductie van nieuwe producten, om maar een paar voorbeelden te noemen.

Bedenk nu dat een fabriek 1.000 TB aan data per dag kan produceren, met 10.000+ sensoren die 12.000+ variabelen van oude en nieuwe machines vastleggen. Die onderling samenhangende factoren zijn veel om rekening mee te houden en betekenen dat fabrikanten niet alleen de connectiviteit met de gegevens moeten overwegen, maar dat ze ook moeten beslissen waar die gegevens heen moeten, hoe vaak ze moeten worden verzonden en hoe ze deze moeten gebruiken. Deze datadynamiek vormt de basis als brandstof voor machine learning en AI.

Enkele gegevensbeheergebieden die AI en machine learning ondersteunen:

• Frequentie:overweeg hoe vaak de gegevens waarde toevoegen aan het bedrijf, en haal het alleen zo vaak op. Onnodige data pulls kunnen leiden tot een overload aan informatie. Het toevoegen van cloudapplicaties voor rekenkracht kan ook scenario's creëren waarin niet-gesegmenteerde gegevens onnodige kosten en overhead met zich meebrengen en operationele budgetten beïnvloeden.
• Prioriteit:geef prioriteit aan kritieke gegevens boven niet-kritieke gegevens om de netwerkintegriteit te waarborgen en ervoor te zorgen dat waardevolle informatie de juiste bestemming bereikt.
• Verwerking:traditionele computermodellen sturen de gegevens naar het kerndatacenter of de cloud voor analyse. Dit is echter onpraktisch in veel productiescenario's. Vaak vereisen machine learning en AI in productiegegevens realtime analyse. Netwerkarchitecten zouden een hybride oplossing van edge computing en gecentraliseerde data computing moeten overwegen om machine learning en AI-initiatieven te ondersteunen.
• Orkestratie:de toestroom van gegevens vergroot het belang van het in kaart brengen van hoe machine learning en AI-platforms die gegevens ontvangen en hoe ze deze gebruiken. Het is essentieel om consistente controle en bewustzijn van de gegevens te implementeren, inclusief wanneer ze zijn ontvangen, hoe ze zijn afgeleverd en waarom ze zijn verzonden.
• Beveiliging:productie-integriteit is essentieel voor de missie, maar het verbinden van meerdere datafeeds kan nieuwe beveiligingsproblemen introduceren. Hoewel machine learning en AI enorme zakelijke voordelen kunnen opleveren, kan een inbreuk op de beveiliging gegevens- en privacyrisico's met zich meebrengen die de reputatie en het vertrouwen van de klant kunnen bedreigen. Aan de andere kant kan machine learning ook helpen bij het afdwingen van beveiliging als middel om afwijkingen te detecteren.

Om fabrikanten te helpen een basis te leggen voor machine learning en AI, hebben we een gids voor gegevensbeheer in digitale productie ontwikkeld. De gids biedt best practices op het gebied van gegevensbeheer en overwegingen om te bepalen welke workload-architectuur voor u geschikt is bij het overwegen van uw technologische roadmap. Het bevat ook essentiële casestudy's en bronnen die u kunnen helpen om over te stappen op dit nieuwe gegevensmodel.

1. Bron:IDC FutureScape:voorspellingen voor wereldwijde productie 2018, doc# DC #US42126117, oktober 2017,