Convergencia superior de IT/OT: capture automáticamente el contexto de OT en el borde
Aunque la tecnología de inteligencia artificial/aprendizaje automático ha avanzado mucho, la preparación de datos sigue siendo un desafío. Y esto es un problema para la industria de fabricación. La razón es sencilla: las predicciones incorrectas basadas en datos de baja calidad pueden tener graves repercusiones en la producción, la seguridad de los trabajadores y los equipos de capital intensivo. Los analistas de IT y los científicos de datos a menudo buscan conjuntos de datos de OT específicos y completos con alta granularidad para resolver problemas de dominio, pero los ingenieros no tienen acceso directo a ellos.
Los datos de mala calidad provocan muchas idas y venidas entre los ingenieros y los científicos de datos, incluso antes de la etapa de creación del modelo. Además, el mismo conjunto de datos de OT sin procesar podría reutilizarse para crear otros modelos en el futuro. Es importante contar con altos estándares de calidad de los datos, integridad y relevancia antes de la preparación y ejecución del modelo.
El refrán "basura entra, basura sale" es apropiado aquí. La captura automática del contexto de datos de OT en el borde puede ayudar a desbloquear información procesable y de alta calidad a partir del enorme volumen de datos industriales. La capacidad FactoryTalk® Smart Object™ de Rockwell Automation es un avance significativo en este sentido. Los ingenieros de OT ahora pueden diseñar modelos de información comunes de IT/OT flexibles que imitan escenarios de planta y los llenan automáticamente con valores de tags de OT en tiempo de ejecución y contexto de producción con bajas latencias. Esto mejora enormemente la calidad de los datos de OT y abre nuevas formas de agregar valor.
El contexto de OT más completo permite a los científicos de datos y a los analistas de IT descubrir información útil a nivel empresarial con una visión más amplia. Además, con el contexto de OT más completo, pueden implementar modelos a escala empresarial y acelerar el tiempo de amortización.
Veamos un ejemplo: una planta de envasado de alimentos y bebidas tiene múltiples etapas de producción, como llenado, embotellado, envasado, etc. Con la captura automatizada del contexto de los datos de OT, los fabricantes pueden correlacionar fácilmente diferentes parámetros de producción con un número de lote concreto. Pueden documentar el origen de un lote de producción con la presión, la temperatura, el grosor del envase, etc.
Los fabricantes ahora pueden aprovechar una clara ventaja: pueden realizar análisis de causa raíz en tiempo real (después de eliminar los valores atípicos) sin tener que profundizar en un esfuerzo de ingeniería de datos pesado. Al responder a un problema de retiro de seguridad urgente, es fácil deducir si el fallo se produjo en el proceso de producción o en las materias primas; el "certificado de nacimiento digital" sirve como un excelente punto de referencia para oportunidades de mejora continua.
Acelerar el tiempo de amortización con herramientas modernas y visuales de ciencia de datos
Los clientes están utilizando herramientas modernas para una variedad de problemas y se están volviendo más inteligentes en la forma en que abordan la creación de modelos en primer lugar. "Crear una vez, reutilizar muchas veces" está de moda.
Actualmente, los profesionales de OT buscan lanzar soluciones de aprendizaje automático rápidas con un esfuerzo o capacitación mínimos en ciencia de datos para acelerar el tiempo de amortización. Existe un interés creciente en las bibliotecas de aprendizaje automático preconstruidas para casos de uso específicos de fabricación industrial. Los ingenieros de OT no quieren empezar de cero con la preparación, el modelado y la capacitación de datos,
Además, los científicos de datos y los analistas de IT, especialmente los que trabajan en el sector de la fabricación industrial, buscan soluciones de plataformas de análisis de big data y aprendizaje automático robustas que les permitan crear, entrenar, implementar, puntuar y monitorear visualmente modelos de aprendizaje automático de forma continua. Necesitan una solución de análisis abierta, estandarizada, segura y de nivel empresarial con la que puedan gestionar de forma colaborativa todo el ciclo de vida del modelo en un entorno de IT centralizado.
Las capacidades de creación de canalizaciones de datos visuales desempeñan un papel importante para acelerar la creación y gestión de modelos de aprendizaje automático. La visualización de los datos transformados en cada paso de la creación de la canalización minimiza los errores inesperados durante la ejecución. Además, los tableros visuales ayudan a realizar un seguimiento del rendimiento mediante estadísticas de rendimiento del modelo y configuraciones de apuntar y hacer clic.
Los científicos de datos y los analistas de IT desean crear canalizaciones de datos complejas de forma intuitiva y aplicar algoritmos de aprendizaje automático, ya sea de Python, Spark, H2O.ai o PMML, a datos en tiempo real o por lotes. Una vez creados los modelos, se pueden puntuar desplegándolos en canalizaciones de datos en motores de ejecución altamente escalables. Por último, la capacidad de traer sus propios modelos (BYOM) e importar código a entornos de programación abiertos ayuda a acelerar el ritmo de innovación mediante la reutilización.
La perspectiva a largo plazo en el viaje de inteligencia artificial/aprendizaje automático: gestión del ciclo de vida del modelo de extremo a extremo
La gestión del ciclo de operaciones de los modelos de aprendizaje automático de extremo a extremo (desde la creación hasta el mantenimiento del modelo) es un área de enfoque emergente en el espacio de la analítica industrial.
Tras crear un modelo de analítica, es esencial hacer un seguimiento del rendimiento del modelo de aprendizaje automático (dondequiera que se implemente en el espectro del borde a la nube) y seguir entrenándolo con datos de producción más recientes. Aunque la automatización del mantenimiento del modelo es importante, probablemente sea más importante saber "cuándo" hay que reconstruir un modelo de aprendizaje automático.
Las condiciones del mercado pueden ser fluidas, las necesidades de fabricación cambian y los procesos de producción evolucionan. Por eso, debe poder monitorear constantemente un modelo en busca de desviaciones de rendimiento y poder reemplazarlo por otra versión en el momento adecuado.
Algunos ejemplos de "cuándo" sería necesario reconstruir un modelo de aprendizaje automático podrían incluir el rediseño de una línea de producción, la incorporación de un nuevo sensor o el mantenimiento reciente de un equipo pesado. Para ello, es necesario hacer un seguimiento constante de la deriva en su precisión predictiva. El mantenimiento del modelo debe anticiparse con antelación y presupuestarse en el proceso de gestión de modelos de inteligencia artificial/aprendizaje automático.
Nuevo mundo, nuevas soluciones
Lo que le ha traído hasta aquí no le llevará más allá. Los avances en inteligencia artificial/aprendizaje automático están creando nuevas fronteras en la fabricación industrial con flujos de trabajo de fabricación de autoservicio que aceleran el tiempo de amortización. Como líder de transformación digital, debe darse cuenta de que la antigua forma de hacer las cosas no le posicionará para el futuro. Debe asimilar los grandes cambios que se están produciendo en la tecnología de inteligencia artificial/aprendizaje automático y aplicarlos para acelerar el tiempo de amortización de los casos de uso de alta prioridad en su dominio de fabricación industrial.
Un mundo nuevo con problemas nuevos exige soluciones nuevas. Es prudente adoptar las tendencias: una convergencia superior de IT/OT con un contexto de OT más rico en la fuente, el auge de los científicos de datos ciudadanos de OT y la democratización de inteligencia artificial/aprendizaje automático con herramientas visuales que ofrecen una gestión robusta del ciclo de vida del modelo. Aprovechar estas tendencias y las mejores prácticas en sus soluciones de análisis industrial le permite obtener información de calidad a nivel empresarial y acelerar el tiempo de amortización de sus resultados clave de fabricación.
