'Inteligência Artificial das Coisas', a análise de borda cria harmonia na Gebhardt

A IoT e a IA são tendências tecnológicas separadas que estão causando ondas na indústria. A IoT pode conectar dispositivos juntos, dando e recebendo sinais como um sistema nervoso. Em contraste, a IA pode atuar como um cérebro, usando dados para tomar decisões informadas que controlam o sistema geral. Quando unidos, os dois são capazes de fornecer sistemas inteligentes e conectados que podem se autocorrigir e se autocurar – formando o que chamamos de Inteligência Artificial das Coisas (AIoT).

As tecnologias convencionais de IoT, como computação em nuvem e comunicação máquina a máquina (M2M), permitiram que os fabricantes concluíssem três tarefas principais:conectar máquinas, armazenar dados e tornar esses dados significativos. Agora, com a introdução da AIoT, eles podem se beneficiar de um quarto recurso:agir.

No entanto, para viabilizar a AIoT, os fabricantes precisam de um sistema de gerenciamento de dados que possa dar suporte à rápida tomada de decisões. Embora o armazenamento em nuvem seja possível, a análise de dados mais próxima de sua fonte – na borda – leva a AIoT para o próximo nível.

Produção simplificada

Para desbloquear o poder da IA, as decisões precisam ser tomadas com a menor latência possível. Se o sistema de IA receber um alerta de que há uma falha na máquina ou se a velocidade ou o padrão de movimento de uma máquina precisar ser alterado para operações mais produtivas, ele poderá agir de acordo com esses insights imediatamente e interromper ou alterar a produção. Ao integrar o sistema de IA na borda, em vez da nuvem, os fabricantes podem desbloquear o valor da latência ultrabaixa, permitindo que as máquinas sejam desligadas o mais rápido possível e menos produtos sejam danificados ou defeituosos.

Para integrar a AIoT na borda, os líderes do setor devem primeiro criar um modelo de IA offline. Eles devem então treinar o modelo usando conjuntos de dados armazenados anteriormente até que ele atenda aos requisitos antes de exportá-lo e aplicá-lo online com novos dados ativos.

No entanto, aplicar o modelo a dados em tempo real em um cenário online é muito diferente de testá-lo em dados armazenados que já foram classificados na etapa de treinamento. Os dados em tempo real não foram filtrados ou categorizados, e cada conjunto pode chegar em momentos diferentes, criando um caos de informações para a AIoT.

Insira a análise de borda

Para entender os dados, eles devem ser processados ​​antes de serem usados ​​pela AIoT. É aí que entra a análise de borda. Como exemplo, a Crosser Platform é uma plataforma de software de baixo código para análise de streaming, automação e integração para qualquer borda, no local ou na nuvem. O objetivo é remover a complexidade, simplificar o desenvolvimento e permitir que não programadores inovem mais rapidamente com um custo total de propriedade drasticamente menor.

Um sistema como o Crosser Platform pode ajudar a preparar os dados de várias maneiras antes de chegarem à AIoT. Por exemplo, ele pode harmonizar dados de uma ampla variedade de máquinas no chão de fábrica, que podem estar em formatos diferentes, pois vieram de várias fontes.

Dados de diferentes fontes e formatos são agregados pela plataforma em intervalos regulares. Além disso, se as fontes de dados tiverem taxas de amostragem diferentes, a plataforma poderá preencher valores intermediários para que os modelos possam ser atualizados com novos dados de todos os sensores em cada atualização. Ele também pode criar diferentes tipos de janelas sobre dados de séries temporais.

A plataforma também pode ser usada para extração de recursos. Dependendo do modelo que está sendo usado, recursos adicionais podem precisar ser criados a partir dos dados brutos. Isso pode ser, por exemplo, pegar dados de vibração e convertê-los do domínio do tempo para o domínio da frequência. Todas essas etapas simplificam os dados antes que eles cheguem à AIoT.

O exemplo de Gebhardt

Foi assim que a plataforma da Crosser permitiu que o fabricante de soluções de automação de armazém Gebhardt Intralogistics Group, Sinsheim, Alemanha, implementasse uma estratégia de AIoT. A Gebhardt produz shuttles inteligentes para movimentar contêineres rapidamente em um armazém. Ela estava procurando uma solução de detecção de anomalias para identificar falhas operacionais causadas por vibrações no ônibus espacial para minimizar os custos de manutenção.

Usando o Crosser's Flow Studio, Gebhardt foi capaz de processar, harmonizar e filtrar dados em tempo real na borda e, em seguida, usar a IA para aprender com os dados coletados para implementar a manutenção preditiva para aumentar a disponibilidade da máquina e aumentar a vida útil dos ativos.

É verdade que a inteligência de máquina tem grande poder, mas outras tecnologias de suporte podem ajudar a descobrir todo o seu potencial. Os líderes do setor que integram a AIoT na borda podem colher os benefícios de um sistema de controle eficiente e reativo, otimizando processos rapidamente.