Branża produkcyjna będzie wykorzystywać rozwiązania oparte na zaawansowanych technologiach uczenia się maszyn
Według raportu firmy Frost & Sullivan rośnie zapotrzebowanie na predykcyjne narzędzia analityczne, umożliwiające skrócenie przestojów w produkcji oraz usprawnienie czynności konserwacyjnych.
Internet Rzeczy w przemyśle (Internet of Industrial Things, IoIT), czyli koncepcja wywodząca się z możliwości łączenia ze sobą aktywów, procesów biznesowych i ludzi w całym przedsiębiorstwie, zmienił halę fabryczną w miejsce, w którym dochodzi do hiperaktywnej łączności i wymiany informacji między urządzeniami. Jednak lepsza łączność pociąga za sobą radykalne zwiększenie napływu danych.
Oprócz danych o tradycyjnej strukturze branża produkcyjna ma do czynienia z ogromnym przyrostem ilości danych na wpół ustrukturyzowanych lub nieustrukturyzowanych, pochodzących z czujników, maszyn, internetu czy też mediów społecznościowych. W aktualnym kontekście kluczowe jest to, aby użytkownicy końcowi mieli dostęp do nowych narzędzi umożliwiających zarządzanie danymi w celu przechowywania i przetwarzania dużych ilości napływających danych oraz wykorzystywali najnowsze platformy analityczne, pozwalające na wyciągniecie praktycznych wniosków, które wpłyną na działalność fabryki.
Według analizy Frost & Sullivan pt.: „Inwestowanie w walutę przyszłości: Big Data dla branży produkcyjnej”, (Investing in the Currency of the Future: Big Data for the Manufacturing Domain) wynika, iż branże, takie jak nauki przyrodnicze, branża samochodowa, lotnicza, branża żywności i napojów, produkcja w dziedzinie najnowszych technologii i produkcja ogólna, odpowiadają za 14 procent przechowywanych na świecie danych i stanowią ogromny potencjał dla rozwiązań opartych na dużych zbiorach danych typu Big Data i rozwiązań analitycznych. Dodatkowo pojawiające się aplikacje służące do zarządzania zużyciem energii, oferują użytkownikom końcowym znaczne możliwości monitorowania i optymalizowania wykorzystywanej przez nich energii.
– Co do przechowywania i integracji danych, to systemy oparte na chmurze są najpraktyczniejsze dla małych i średnich przedsiębiorstw, które mają mniej wymogów dotyczących indywidualnego traktowania klientów oraz posiadają rozproszone lokalizacje użytkowników – stwierdza starszy analityk działu ds. Automatyki Przemysłowej i Kontroli Procesów w firmie Frost & Sullivan, Rahul Vijayaraghavan. – Firmy zaczynają interesować się także rozwiązaniami hybrydowymi, które umożliwiają przechowywanie i integrację określonych danych na chmurach publicznych i prywatnych, w zależności od kwestii dotyczących wrażliwości i bezpieczeństwa danych.
Po zebraniu i posegregowaniu danych potrzeba wygenerowania z nich wartości wymusi rozwój platform analitycznych. Proaktywne działania na rzecz wydłużenia czasu wykorzystywania aktywów oraz usprawnienia czynności konserwacyjnych doprowadzą do szczególnie dużego zainteresowania predykcyjnymi i preskryptywnymi narzędziami analitycznymi. Według prognoz popyt na rozwiązania predykcyjne i preskrytpywne w latach 2014-2021 odnotuje łączny roczny wzrost na poziomie 56,9 procent.
– Aktualne reaktywne podejście uniemożliwia przekazanie informacji o awarii – wyjaśnia Rahul Vijayaraghavan. – Natomiast zastosowanie złożonych algorytmów statystycznych oraz technologii uczenia się maszyn w celu oceny danych historycznych i danych przekazywanych przez czujniki w czasie rzeczywistym pomoże użytkownikom końcowym identyfikować potencjalne awarie sprzętu z dużym wyprzedzeniem.
Jeżeli chodzi o wizualizację tych wskaźników, to ogromne znaczenie ma indywidualne traktowanie użytkowników. Stworzenie przyjaznego dla użytkownika i wysoce intuicyjnego interfejsu do analizy kluczowych danych w oparciu o wymagania poszczególnych grup personelu jest niezbędne w każdym przypadku udanego wykorzystania Big Data. W związku z tym zwiększenie zdolności sprawnego przechowywania, centralnego integrowania, proaktywnej analizy i skutecznego przedstawiania kluczowych danych użytkowników końcowych będzie nadal otwierać drzwi dostawcom Big Data do branży produkcyjnej.
Dodatkowe informacje dotyczące niniejszej analizy są dostępne pod adresem: http://owl.li/R2vgv
source: Frost & Sullivan