Colocar a ciência de dados nas mãos de especialistas do domínio para fornecer insights mais valiosos

Tecnologias emergentes, como análises avançadas e inteligência artificial (IA), estão transformando o setor de manufatura. O chão de fábrica está inundado de dados impulsionados pelo crescimento dos sensores da Internet das Coisas (IoT). Mas, diz Mike Loughran, CTO para o Reino Unido e Irlanda da Rockwell Automation , os dados por si só não são uma mercadoria útil. Esses dados precisam de contexto e experiência de domínio aplicada a eles antes de serem analisados ​​para fornecer valor e insights de negócios valiosos.

Analytics e IA perturbaram muitos setores, especialmente o espaço do consumidor. Hoje, vemos plataformas de e-commerce de mídia social e publicidade direcionada que podem prever os produtos que queremos comprar, e aplicativos baseados em localização podem até fazer recomendações com base em onde você está. O tema subjacente aqui é que a análise permite decisões baseadas em dados, trazendo insights na hora certa.

Benefícios claros

A questão natural é como a indústria de manufatura, que é bem diferente do espaço do consumidor, capitaliza essa oportunidade. Os benefícios são claros para ver. Em média, as organizações de manufatura que estão embarcando na transformação de suas operações por meio da adoção da transformação e análise digital têm como objetivo aumentar a receita em até 10%, diminuir os custos operacionais em até 12% e melhorar a eficiência dos ativos em até 30%.

Outras tecnologias digitais estão impulsionando esse tipo de crescimento de dois dígitos, mas quando os fabricantes tentam aplicar essas tecnologias à análise, eles encontram alguns desafios únicos. A razão para isso é que a aplicação de análises no contexto de manufatura é complexa. Muitas vezes, a análise é posicionada como uma solução pronta para uso, em que primeiro você reúne todos os dados centralmente e, em seguida, apenas aplica um algoritmo ou modelo para chegar à terra prometida.

Bem, não é tão simples. A maioria das cargas de trabalho analíticas industriais provavelmente não deve ser executada na nuvem, devido aos altos custos de largura de banda da rede e latência mais longa. Faz mais sentido implementar esses modelos analíticos mais perto da borda, onde os dados são produzidos. Também é muito trabalhoso treinar um modelo analítico para um ambiente industrial. Para entender isso, precisamos mergulhar um pouco mais fundo no mundo dos dados industriais.

Gerenciando grandes volumes de dados

Primeiro, os fabricantes devem gerenciar um volume notavelmente alto de dados que são gerados pelos sistemas da fábrica em tempo real, junto com os dados do histórico. A ironia é que, dependendo do caso de uso, apenas uma fração dos dados extraídos pode ser relevante. Em seguida, eles devem integrar esses dados de fontes distintas que podem estar usando protocolos diferentes.

Esses sistemas heterogêneos também podem ter diferentes tecnologias legadas, o que pode dificultar a conectividade e a agregação de dados. Além disso, eles podem não ter um modelo de dados comum em vigor entre os sistemas que fazem as relações, ou relacionamento entre os pontos de dados, bastante obscuros.

Os insights também devem ser entregues à pessoa relevante ou ao sistema para conduzir a ação dentro de um curto período de tempo para torná-lo relevante. Por último, a aplicação de análises requer conhecimento profundo dos processos industriais subjacentes. Normalmente, é extremamente difícil encontrar a ciência de dados e a experiência em processos na mesma pessoa.

Para ter sucesso, é fundamental ter um parceiro que possa não apenas entender tanto a manufatura quanto a analítica, mas também possa personalizar uma solução para seus casos de uso. Idealmente, esse parceiro deve ter uma forte herança em fabricação e estar familiarizado com o hardware de processo e tecnologia de operação e, claro, seus objetivos de negócios.

Simplificando a ciência de dados na prática

O que é necessário são ferramentas para permitir que os engenheiros de controle e de processo realizem análises sem recorrer a cientistas de dados. Precisamos simplificar a prática da ciência de dados. Quando falamos com clientes que estão em sua jornada de transformação digital, existem dois requisitos comuns. O primeiro é o trabalhador digital e o segundo é o aprendizado de máquina.

Existem quatro etapas que as empresas precisam seguir com a análise de dados. Primeiro, eles devem identificar os atributos operacionais importantes. Eles podem então prosseguir para estabelecer estruturas lógicas de dados. Com isso, eles podem implementar práticas para capturar dados em alta velocidade. Finalmente, existe a necessidade de reutilizar modelos em toda a camada de informação para maior eficiência e velocidade. O objetivo é acelerar os resultados equipando os engenheiros com ferramentas de ciência de dados.

Estamos tentando tornar mais fácil para os engenheiros de automação ou controle assumir algumas dessas atividades de ciência de dados. Isso podemos fazer em nosso produto ThingWorxs Analytics que consome os dados e passa por algumas das etapas que os cientistas de dados teriam que seguir. Ele fornece modelos de solução inovadores que colocam a ciência de dados nas mãos dos especialistas do domínio.

Ele pode examinar as tags para correlacionar quais são necessárias para a previsão ideal. De cem, ou mesmo mil, pode haver apenas cinco que podem ter um grande impacto. Em seguida, ele passa automaticamente pelo que é chamado de aprendizado de máquina automático, que ajuda a escolher qual algoritmo executar, e até começa a executar uma série de cenários para escolher qual algoritmo ou coleção de algoritmos oferece a melhor saída.

É esse tipo de simplificação, do que é um processo complexo, que permitirá que os especialistas no domínio realmente extraiam o valor que está encerrado nos dados coletados e anunciam a era do cientista de dados cidadão.

O autor é Mike Loughran CTO para o Reino Unido e Irlanda na Rockwell Automation .

Sobre o autor

Mike Loughran é CTO para o Reino Unido e Irlanda na Rockwell Automation, um fornecedor de automação industrial e tecnologia da informação. Ele está na empresa há mais de 14 anos, tendo começado na área de vendas de software e ascendido à posição de diretoria que ocupa hoje.