Herausragende IT/OT-Zusammenlegung: Automatische Erfassung des OT-Kontexts am edge
Auch wenn die Künstliche Intelligenz/maschinelles Lernen-Technologie große Fortschritte gemacht hat, bleibt die Datenaufbereitung eine Herausforderung. Und das ist ein Problem für die Fertigungsindustrie. Der Grund ist einfach: Falsche Vorhersagen aufgrund von Daten minderer Qualität können schwerwiegende Auswirkungen auf die Produktion, die Arbeitssicherheit und kapitalintensive Anlagen haben. IT-Analysten und Datenwissenschaftler suchen oft nach spezifischen, umfassenden OT-Datensätzen mit hoher Skalierbarkeit, um domänenspezifische Probleme zu lösen, doch Ingenieure haben keinen direkten Zugriff auf diese Datensätze.
Schlechte Datenqualität führt zu einem ständigen Hin und Her zwischen den Ingenieuren und Datenwissenschaftlern, noch bevor das Modell erstellt wird. Außerdem könnte derselbe OT-Rohdatensatz für die Erstellung anderer Modelle in der Zukunft wiederverwendet werden. Es ist wichtig, hohe Standards für Datenqualität, Integrität und Relevanz vor der Modellvorbereitung und -ausführung zu haben.
Das Sprichwort "Garbage in, garbage out" trifft hier zu. Die automatische Erfassung des OT-Datenkontexts am edge kann dazu beitragen, hochwertige und umsetzbare Erkenntnisse aus dem riesigen Volumen industrieller Daten zu gewinnen. Die FactoryTalk® Smart Object™-Funktion von Rockwell Automation ist in dieser Hinsicht ein bedeutender Durchbruch. OT-Ingenieure können jetzt flexible gemeinsame IT/OT-Informationsmodelle entwerfen, die physische Anlagenszenarien nachahmen und diese automatisch mit OT-tag-Werten zur Laufzeit und Produktionskontext bei niedrigen Latenzen füllen. Dies verbessert die OT-Datenqualität enorm und eröffnet neue Wege zur Wertschöpfung.
Ein umfassender OT-Kontext ermöglicht es Datenwissenschaftlern und IT-Analysten, Einblicke auf Unternehmensebene mit einem breiteren Bild zu gewinnen. Darüber hinaus können sie mit dem umfassenderen OT-Kontext Modelle auf Unternehmensebene einsetzen – und die Schnellere Wertschöpfung beschleunigen.
Betrachten wir ein Beispiel: Eine Verpackungsanlage für Lebensmittel und Getränke umfasst mehrere Produktionsstufen wie Abfüllung, Flaschenabfüllung, Verpackung usw. Mit der automatisierten Erfassung des OT-Datenkontexts können Hersteller verschiedene Produktionsparameter problemlos einer bestimmten Chargennummer zuordnen. Sie können den Ursprung einer Produktionscharge mit Druck, Temperatur, Behälterdicke usw. dokumentieren.
Hersteller können nun einen klaren Vorteil nutzen – sie können Ursachenanalysen in Echtzeit durchführen (nach dem Ausschluss von Ausreißern), ohne sich in aufwändige Datenverarbeitung vertiefen zu müssen. Wenn es um die Reaktion auf eine dringende Sicherheitsrückrufaktion geht, lässt sich leicht ableiten, ob der Fehler im Produktionsprozess oder bei den Rohstoffen lag – die "digitale Geburtsurkunde" dient als hervorragender Bezugspunkt für kontinuierliche Verbesserungsmöglichkeiten.
Beschleunigung der Schnellere Wertschöpfung mit modernen, visuellen Data-Science-Tools
Kunden nutzen moderne Tools für eine Vielzahl von Problemen und werden immer klüger, wenn es darum geht, wie sie die Modellerstellung von Anfang an angehen. "Einmal erstellen, oft verwenden" ist angesagt.
Heute suchen OT-Experten nach Möglichkeiten, schnelle ML-Lösungen mit minimalem Analyse-Aufwand oder Schulung einzuführen, um die Schnellere Wertschöpfung zu beschleunigen. Das Interesse an vorgefertigten ML-Bibliotheken für gezielte Anwendungsfälle in der industriellen Produktion wächst. OT-Ingenieure möchten nicht bei null anfangen, wenn es um Datenaufbereitung, Modellierung und Schulung geht,
Auch Datenwissenschaftler und IT-Analysten – insbesondere in der industriellen Produktion – suchen nach robusten big data Analyse- und ML-Plattformlösungen, mit denen sie ML-Modelle visuell erstellen, schulen, bereitstellen, bewerten und kontinuierlich überwachen können. Sie benötigen eine offene, standardisierte, sichere und unternehmensgerechte Analyse-Lösung, mit der sie den gesamten Modelllebenszyklus in einer zentralisierten IT-Umgebung gemeinsam verwalten können.
Die Möglichkeit, visuelle Datenpipelines zu erstellen, spielt eine große Rolle bei der Beschleunigung der Erstellung und Verwaltung von ML-Modellen. Die Visualisierung der transformierten Daten in jedem Schritt der Pipeline-Erstellung minimiert unerwartete Fehler während der Ausführung. Darüber hinaus helfen visuelle Dashboards bei der Verfolgung der Leistung über Modellleistungsstatistiken und Point-and-Click-Konfigurationen.
Datenwissenschaftler und IT-Analysten möchten komplexe Datenpipelines intuitiv erstellen und maschinelles Lernen-Algorithmen – von Python, Spark, H2O.ai oder PMML – auf Echtzeit-Streaming- oder Batch-Daten anwenden. Sobald Modelle erstellt sind, können sie durch Bereitstellung in Datenpipelines auf hoch skalierbaren Ausführungs-Engines bewertet werden. Schließlich hilft die Möglichkeit, eigene Modelle mitzubringen (BYOM) und Code in offene Programmierumgebungen zu importieren, definitiv dabei, das Innovationstempo durch Wiederverwendbarkeit zu steigern.
Langfristige Perspektive bei der KI/maschinelles Lernen-Reise: End-to-End-Management des Modelllebenszyklus
Die End-to-End-Verwaltung des Betriebszyklus von ML-Modellen (von der Modellerstellung bis zur Wartung) ist ein aufstrebender Schwerpunkt im Bereich der industriellen Analyse.
Nach dem Erstellen eines Analyse-Modells ist es wichtig, die Leistung des ML-Modells zu verfolgen (unabhängig davon, wo es im edge-to-cloud-Spektrum eingesetzt wird) und es mit neueren Produktionsdaten weiter zu schulen. Während die Automatisierung der Modellwartung wichtig ist, ist es wahrscheinlich noch wichtiger zu wissen, "wann" ein ML-Modell neu aufgebaut werden muss.
Marktbedingungen können sich ändern, Fertigungsanforderungen wandeln sich und Produktionsprozesse entwickeln sich weiter. Deshalb müssen Sie in der Lage sein, ein Modell ständig auf Leistungseinbußen zu überwachen und es im richtigen Moment durch eine andere Version zu ersetzen.
Einige Beispiele dafür, wann ein ML-Modell neu aufgebaut werden muss, sind die Neugestaltung einer Produktionsstraße, die Hinzufügung eines neuen sensor oder die kürzliche Wartung schwerer Ausrüstung. Dafür müssen Sie die Abweichung in der Vorhersagegenauigkeit ständig verfolgen. Die Modellwartung sollte im Voraus eingeplant und im Budget für das Management von Künstliche Intelligenz/maschinelles Lernen-Modellen berücksichtigt werden.
Neue Welt, neue Lösungen
Was Sie bis hierher gebracht hat, wird Sie nicht dorthin bringen. Fortschritte in den Bereichen Künstliche Intelligenz/maschinelles Lernen schaffen neue Grenzen in der industriellen Produktion mit Self-Service-Fertigungs-Workflows, die die Schnellere Wertschöpfung beschleunigen. Als DX-Führungskraft müssen Sie erkennen, dass der alte Weg Sie nicht für die Zukunft rüstet. Sie müssen die großen Veränderungen in der Künstliche Intelligenz/maschinelles Lernen-Technologie aufnehmen und sie anwenden, um die Schnellere Wertschöpfung für wichtige Anwendungsfälle in Ihrem industriellen Produktionsbereich zu beschleunigen.
Eine neue Welt mit neuen Problemen erfordert neue Lösungen. Es ist ratsam, die Trends zu nutzen: eine überlegene IT/OT-Zusammenlegung mit einem reichhaltigeren OT-Kontext an der Quelle, der Aufstieg der OT-Bürger-Datenwissenschaftler und die Demokratisierung von Künstliche Intelligenz/maschinelles Lernen mit visuellen Tools, die ein robustes Modelllebenszyklusmanagement bieten. Wenn Sie diese Trends und Best Practices in Ihren Industrial Analyse-Lösungen nutzen, können Sie qualitativ hochwertige, unternehmensweite Erkenntnisse gewinnen und die Schnellere Wertschöpfung für Ihre wichtigsten Fertigungsergebnisse beschleunigen.
