O gerenciamento de dados alimenta o aprendizado de máquina e a I.A. em IIOT

Vá a qualquer conferência, webinar ou converse com analistas da área de manufatura e dois dos maiores chavões que você ouvirá são "aprendizado de máquina" e "inteligência artificial" (IA). Aqui na Cisco, estamos explorando e investindo nessas áreas também e promovendo ativamente o aprendizado de máquina e a IA em nosso portfólio.

Freqüentemente, os dois termos são mal interpretados. SAS, um de nossos parceiros globais, recentemente criou um excelente vídeo sobre a diferença entre os dois:



Conforme observado no vídeo:

• AI é a ciência das máquinas e computadores emulando humanos
• O aprendizado de máquina é um método por trás de como as máquinas aprendem com os dados

Então, por que esses tópicos são importantes e por que há tanto buzz em torno dessas áreas relacionadas ao futuro da manufatura? Atualmente, vemos a fabricação na era da Indústria 4.0 / Manufatura Inteligente. Essa evolução técnica foi amplamente discutida neste blog, mas, para resumir rapidamente do Guia Definitivo de Fabricação, vemos três áreas fundamentais críticas para os fabricantes nesta jornada.

1. Hiperconsciência:uma capacidade organizacional para reconhecer percepções em tempo real e tendências futuras. Um componente crítico da hiperconsciência é a capacidade de ver em primeira mão como os produtos e serviços são usados ​​na prática.
2. Tomada de decisão informada:a capacidade de analisar ativamente as informações que chegam por meio da hiperconsciência e garantir que cheguem àqueles que mais precisam delas.
3. Execução rápida:decisões informadas devem ser transformadas em ação (manutenção preditiva quando uma máquina de chão de fábrica mostra os primeiros sinais de fadiga, por exemplo).

O aprendizado de máquina e a IA são extensões naturais desses recursos básicos.

De acordo com o IDC:

O IDC observou que essa tendência em IA continuará a crescer, “alcançando uma taxa composta de crescimento anual de 54,4% até 2020, quando a receita será de mais de US $ 46 bilhões. ¹

A base para aprendizado de máquina e IA

A peça fundamental do aprendizado de máquina e da IA ​​são os dados. Os dados alimentarão essas plataformas para ajudar a melhorar todas as facetas da manufatura e, por fim, capturar o aumento do retorno sobre o investimento (ROI). Por exemplo, em um cenário de manutenção preditiva simplificado, a máquina e seu sistema de controle supervisório devem ser capazes de correlacionar seu desempenho ideal e reconhecer quando há desvios da linha de base. Ele deve considerar várias fontes de dados, correlacionar, analisar e, então, tomar uma decisão. Muita informação pode sobrepujar a análise e desacelerar as coisas; muito pouca informação e a máquina não obterá o valor para otimizar e melhorar de forma inteligente. O aprendizado de máquina e a IA também podem transformar aplicativos em áreas como otimização da cadeia de suprimentos, pesquisa e desenvolvimento e introdução de novos produtos, como apenas alguns exemplos.

Agora, considere que uma fábrica pode produzir 1.000 TB de dados por dia, com mais de 10.000 sensores capturando mais de 12.000 variáveis ​​de máquinas antigas e novas. Esses fatores inter-relacionados devem ser considerados e significam que os fabricantes não apenas precisam considerar a conectividade com os dados, mas também decidir para onde os dados devem ser enviados, com que frequência os enviam e como usá-los. Essa dinâmica de dados define a base como combustível para aprendizado de máquina e IA.

Algumas áreas de gerenciamento de dados a serem consideradas que oferecem suporte a IA e aprendizado de máquina:

• Frequência:considere a frequência com que os dados agregam valor ao negócio e extraia-os somente com essa frequência. Puxos de dados desnecessários podem causar sobrecarga de informações. Adicionar aplicativos em nuvem para computação também pode criar cenários em que dados não segmentados estão adicionando custos desnecessários, sobrecarga e afetando os orçamentos operacionais.
• Priorização:priorize dados críticos sobre os não críticos para garantir a integridade da rede e ajudar a garantir que informações valiosas cheguem ao destino apropriado.
• Processamento:os modelos de computação tradicionais enviam os dados para o centro de dados central ou nuvem para análise. No entanto, isso é impraticável em muitos cenários de fabricação. Freqüentemente, o aprendizado de máquina e a IA em dados de manufatura exigem análise em tempo real. Os arquitetos de rede devem considerar uma solução híbrida de computação de ponta e computação de dados centralizada para apoiar o aprendizado de máquina e iniciativas de IA.
• Orquestração:o influxo de dados aumenta a importância de mapear como o aprendizado de máquina e as plataformas de IA recebem esses dados e como os consomem. É essencial implementar controle consistente e reconhecimento dos dados, incluindo quando eles são recebidos, como são entregues e por que foram enviados.
• Segurança:a integridade da produção é crítica para a missão, mas conectar vários feeds de dados pode apresentar novas vulnerabilidades de segurança. Embora o aprendizado de máquina e a IA possam levar a enormes benefícios para os negócios, uma violação de segurança pode criar riscos de dados e privacidade que podem ameaçar a reputação de uma empresa e a confiança do cliente. Por outro lado, o aprendizado de máquina também pode ajudar a reforçar a segurança como meio de detectar anomalias.

Para ajudar os fabricantes a construir uma base para aprendizado de máquina e IA, desenvolvemos um guia de gerenciamento de dados na manufatura digital. O guia fornece práticas recomendadas sobre gerenciamento de dados e considerações para determinar qual arquitetura de carga de trabalho é a certa para você ao considerar seu roteiro de tecnologia. Ele também inclui estudos de caso essenciais, bem como recursos que podem ajudá-lo a entrar neste novo modelo de dados.

1. Fonte:IDC FutureScape:Worldwide Manufacturing 2018 Predictions, doc # DC # US42126117, outubro de 2017,