Como a qualidade dos dados torna os projetos de IoT mais lucrativos

Os gastos globais com tecnologia na Internet das Coisas (IoT) devem chegar a US $ 1,2 trilhão (€ 1 trilhão) em 2022, liderados por setores como manufatura discreta US $ 119 bilhões (€ 108 bilhões), manufatura de processos US $ 78 bilhões (€ 70,8 bilhões), transporte $ 71 bilhões (€ 64,5 bilhões) e serviços públicos $ 61 bilhões (€ 55,4 bilhões).

Na verdade, espera-se que o mercado de produtos e serviços da Indústria 4.0 cresça significativamente nos próximos anos - e mais de 60% dos fabricantes deverão estar totalmente conectados nessa época, utilizando uma mudança de tecnologias, como RFID, wearables e sistemas automatizados , diz Ramya Ravichandar, vice-presidente de produtos, FogHorn .

Embora a indústria preveja um crescimento positivo nos projetos de IoT e IIoT atuais e futuros, alguns desafios significativos ainda precisam ser enfrentados para conquistar totalmente a confiança do cliente e mover os projetos-piloto para produções de IoT bem-sucedidas e em grande escala. Embora muitos vejam limitações de conectividade, riscos de segurança e distorção de dados, incluindo quantidade de dados, problemas como obstáculos para o sucesso da IoT, descobrimos que a qualidade dos dados também desempenha um papel crítico na entrega de projetos IoT eficazes.

O que é qualidade de dados - e como ela afeta o sucesso da implantação?

A qualidade dos dados desempenha um papel vital na crescente adoção de dispositivos IoT de três maneiras principais:

1. As organizações só podem tomar as decisões certas baseadas em dados se os dados que usam forem corretos e adequados para o caso de uso em questão.
2. Dados de baixa qualidade são praticamente inúteis e podem levar a problemas graves, como modelos de aprendizado de máquina imprecisos, tomadas de decisão imprecisas ou ROI deficiente.
3. Especificamente, os problemas clássicos de lixo que entra / lixo que sai ressurgiram com o aumento da inteligência artificial e dos aplicativos de aprendizado de máquina.

Feeds de dados de alta qualidade, treinam e ajustam modelos de aprendizado de máquina (ML) para capacitar fábricas habilitadas para IoT a tomar decisões baseadas em dados informadas.

Por exemplo, a falha inesperada de uma turbina a vapor pode criar uma interrupção crítica, dano e perda econômica para a usina e para a rede elétrica a jusante. Modelos de aprendizado de máquina preditivos, treinados em conjuntos de dados de alta qualidade, ajudam essas organizações industriais a maximizar a confiabilidade de seus equipamentos, detectando falhas potenciais antes que surjam problemas significativos.

No entanto, dados sujos, incluindo dados ausentes, incompletos ou sujeitos a erros, levam as organizações a cometer erros inconvenientes, demorados e caros. Na verdade, de acordo com o The Data Warehouse Institute (TDWI), dados sujos custam às empresas dos EUA cerca de US $ 600 bilhões (€ 545 bilhões) a cada ano. É um fato que cerca de 80% do trabalho de um cientista de dados concentra-se na preparação e limpeza de dados para garantir que os modelos de ML forneçam os insights certos.

Olhando para o futuro, as organizações devem incorporar metodologias para garantir a integridade, validade, consistência e correção de seus fluxos de dados para aprimorar a qualidade do insight, implantar projetos de IoT eficazes e obter um ROI ideal.

Então, qual é o papel da computação de ponta na qualidade dos dados?

Os sensores industriais vêm em muitos tipos diferentes e coletam grandes volumes, variedades e velocidades de dados, incluindo vídeo, áudio, aceleração, vibração, acústica e muito mais. Se uma organização for capaz de alinhar, limpar, enriquecer e fundir com sucesso todos esses vários fluxos de dados, ela pode melhorar significativamente a eficiência, saúde e segurança de suas operações. No entanto, para pintar um quadro completo e preciso das operações da fábrica, as organizações devem reunir, casar e processar os insights brutos fornecidos por essas fontes de dados remotas e variadas.

A computação de borda prospera nesses tipos de ambientes, pois eles podem reunir e processar dados em tempo real em seu início e, em seguida, criar uma estrutura dentro dos dados para ajudar a identificar o valor.

As máquinas habilitadas para borda ajudam a limpar e formatar dados sujos localmente, o que melhora o treinamento e a implantação de modelos de aprendizado de máquina precisos e eficazes. De fato, os pesquisadores da indústria acreditam que os casos de uso de ponta para IoT serão um poderoso catalisador para o crescimento nos principais mercados verticais - e que os dados serão processados ​​(de alguma forma) pela computação de ponta em 59% das implantações de IoT até 2025.

Por exemplo, usando computação de ponta, as fábricas podem melhorar a qualidade do produto analisando os dados do sensor em tempo real para identificar quaisquer valores que estejam fora dos limites previamente definidos, construir e treinar um modelo de ML para identificar as causas do problema e, se desejado, implantar o modelo ML para interromper automaticamente a produção de peças defeituosas.

Para esses e outros casos de uso semelhantes, as soluções ativadas por borda transformam dados de máquina em tempo real (dados de baixa qualidade) em insights acionáveis ​​(dados de alta qualidade) relacionados à eficiência de produção e métricas de qualidade que podem ser usados ​​por gerentes de operações para reduzir tempo de inatividade não planejado, maximize o rendimento e aumente a utilização da máquina.

Muitas organizações estão começando a entender o valor que a computação de ponta pode trazer para seus projetos de IoT e IIoT, à medida que as soluções de ponta transformam dados brutos do sensor de streaming em insights acionáveis ​​usando análise e processamento de dados em tempo real. Ao limpar e enriquecer os dados sujos no ponto de sua criação, a computação de ponta pode melhorar significativamente a qualidade dos dados e refinar os dados repetitivos da máquina para obter melhores eficiências operacionais.

O autor é Ramya Ravichandar, VP produtos, FogHorn