Convergenza IT/OT superiore: acquisizione automatica del contesto OT all'edge
Nonostante i progressi compiuti dalla tecnologia AI/ML, la preparazione dei dati rimane una sfida. E questo è un problema per l'industria manifatturiera. Il motivo è semplice: previsioni errate dovute a dati di scarsa qualità possono avere serie ripercussioni sulla produzione, sulla sicurezza dei lavoratori e sulle apparecchiature ad alta intensità di capitale. Gli analisti IT e i data scientist spesso cercano set di dati OT specifici e completi con un'elevata granularità per risolvere i problemi del settore, ma gli ingegneri non hanno accesso immediato a tali dati.
Dati di scarsa qualità comportano numerosi scambi tra ingegneri e data scientist, anche prima della fase di creazione del modello. Inoltre, lo stesso set di dati OT grezzi potrebbe essere riutilizzato per costruire altri modelli in futuro. È importante avere standard di qualità dei dati, integrità e rilevanza elevati prima della preparazione e dell'esecuzione del modello.
Il detto "garbage in, garbage out" è particolarmente appropriato in questo caso. L'acquisizione automatica del contesto dei dati OT all'edge può aiutare a ottenere informazioni di alta qualità e utili dal vasto volume di dati industriali. La funzionalità FactoryTalk® Smart Object™ di Rockwell Automation rappresenta un importante passo avanti in questo senso. Gli ingegneri OT possono ora progettare modelli informativi IT/OT comuni e flessibili che riproducono gli scenari fisici degli impianti e li popolano automaticamente con i valori dei tag OT runtime e il contesto di produzione a basse latenze. Ciò migliora notevolmente la qualità dei dati OT e apre nuove strade per aggiungere valore.
Un contesto OT ricco consente ai data scientist e agli analisti IT di scoprire informazioni a livello aziendale con una visione più ampia. Inoltre, con un contesto OT più ricco, possono implementare modelli su scala aziendale e accelerare il Time-to-Value.
Consideriamo un esempio: un impianto di packaging Food & Beverage ha più fasi di produzione, come riempimento, imbottigliamento, packaging, ecc. Con l'acquisizione automatica del contesto dei dati OT, i produttori possono facilmente correlare diversi parametri di produzione a un particolare numero di lotto. Possono documentare l'origine di un lotto di produzione con la pressione, la temperatura, lo spessore del contenitore, ecc.
I produttori possono ora ottenere un vantaggio chiaro: possono eseguire analisi della causa scatenante in tempo reale (dopo aver eliminato i valori anomali) senza dover ricorrere a un complesso lavoro di ingegneria dei dati. Quando si risponde a un problema urgente di richiamo per motivi di sicurezza, diventa facile dedurre se il guasto è stato nel processo produttivo o nelle materie prime: il “certificato di nascita digitale” serve come un eccellente punto di riferimento per le opportunità di miglioramento continuo.
Accelerare il Time-to-Value con strumenti di data science moderni e visuali
I clienti utilizzano strumenti moderni per una serie di problemi e diventano più intelligenti nel modo in cui si avvicinano alla creazione del modello in primo luogo. "Crea una volta, riutilizza molte volte" è di moda.
Oggi i professionisti OT cercano di lanciare soluzioni ML rapide con un minimo sforzo o formazione di data science per accelerare il Time-to-Value. C'è un interesse crescente per le librerie ML predefinite per casi d'uso specifici della produzione industriale. Gli ingegneri OT non vogliono partire da zero con la preparazione dei dati, la modellazione e la formazione,
Inoltre, i data scientist e gli analisti IT, in particolare quelli del settore della produzione industriale, sono alla ricerca di soluzioni robuste di analisi dei big data e di piattaforme ML che consentano loro di costruire, addestrare, distribuire, valutare e monitorare visivamente i modelli ML in modo continuativo. Hanno bisogno di una soluzione di analisi aperta, standardizzata, sicura e di livello aziendale che consenta loro di gestire in modo collaborativo l'intero ciclo di vita dei modelli in un ambiente IT centralizzato.
Le capacità di creazione di pipeline di dati visive svolgono un ruolo importante nell'accelerare la creazione e la gestione dei modelli ML. La visualizzazione dei dati trasformati in ogni fase della creazione della pipeline riduce al minimo gli errori imprevisti durante l'esecuzione. Inoltre, i dashboard visivi aiutano a monitorare le prestazioni attraverso le statistiche delle prestazioni del modello e le configurazioni point-and-click.
I data scientist e gli analisti IT desiderano creare pipeline di dati complesse in modo intuitivo e applicare algoritmi di machine learning, da Python, Spark, H2O.ai o PMML, su dati in streaming in tempo reale o batch. Una volta creati i modelli, possono essere valutati implementandoli in pipeline di dati su motori di esecuzione altamente scalabili. Infine, la possibilità di portare i propri modelli (BYOM) e importare il codice in ambienti di programmazione aperti aiuta sicuramente ad accelerare il ritmo dell'innovazione attraverso la riutilizzabilità.
La visione a lungo termine nel percorso AI/ML: gestione del ciclo di vita dei modelli end-to-end
La gestione del ciclo di vita delle operazioni dei modelli ML end-to-end (dalla creazione alla manutenzione) è un'area di interesse emergente nell'ambito dell'analisi industriale.
Dopo aver creato un modello di analisi, è fondamentale monitorare le prestazioni del modello ML (ovunque sia implementato nello spettro edge-to-cloud) e continuare ad addestrarlo con dati di produzione più recenti. Sebbene l'automazione della manutenzione del modello sia importante, è probabilmente più importante sapere "quando" un modello ML deve essere ricostruito.
Le condizioni di mercato possono essere fluide, le esigenze di produzione cambiano e i processi produttivi si evolvono. Ecco perché è necessario essere in grado di monitorare costantemente un modello per rilevare la deriva delle prestazioni e di sostituirlo con un'altra versione al momento giusto.
Alcuni esempi di situazioni in cui un modello ML potrebbe dover essere ricostruito includono la riprogettazione di una linea di produzione, l'aggiunta di un nuovo sensore o la manutenzione recente di un'apparecchiatura pesante. Per questo, è necessario monitorare costantemente la deriva della sua accuratezza predittiva. La manutenzione del modello dovrebbe essere anticipata e preventivata nel percorso di gestione dei modelli AI/ML.
Un nuovo mondo, nuove soluzioni
Ciò che vi ha portato fin qui non vi porterà più avanti. I progressi nell'AI/ML stanno creando nuove frontiere nella produzione industriale con flussi di lavoro di produzione self-service che accelerano il Time-to-Value. Come leader della trasformazione digitale, dovete rendervi conto che il vecchio modo di fare le cose non vi posizionerà per il futuro. Dovete assorbire i grandi cambiamenti che stanno avvenendo nella tecnologia AI/ML e applicarli per accelerare il Time-to-Value per i casi d'uso ad alta priorità nel vostro settore della produzione industriale.
Un mondo nuovo con problemi nuovi richiede soluzioni nuove. È prudente abbracciare le tendenze: una superiore convergenza IT/OT con un contesto OT più ricco alla fonte, l'ascesa degli OT citizen data scientist e la democratizzazione dell'AI/ML con strumenti visivi che offrono una solida gestione del ciclo di vita dei modelli. Sfruttando queste tendenze e le best practice nelle vostre soluzioni di Industrial Analytics, potrete ottenere informazioni di qualità a livello aziendale e accelerare il Time-to-Value per i vostri risultati chiave di produzione.
