優れたIT/OTコンバージェンス: エッジでOTコンテキストを自動で捕捉
AI/ML技術が大きく進歩しても、データの準備には課題が残ります。そして、これは製造業にとって問題です。理由は簡単で、質の低いデータから誤った予測をすると、生産、作業員の安全、資本集約的な設備に深刻な影響を及ぼしかねないからです。ITアナリストやデータサイエンティストは、領域の問題を解決するために粒度の高い特定の包括的なOTデータセットを求めることが多いですが、エンジニアはそれらにすぐにアクセスできるわけではありません。
データの質が低いと、モデル作成の段階からエンジニアとデータサイエンティストの間で何度も行き来することになります。さらに、同じ生のOTデータセットが、将来、他のモデルの構築に再利用される可能性もあります。モデルの準備と実行の前に、高いデータ品質基準、完全性、関連性を持つことが重要です。
ここでは「ゴミが入ればゴミが出る」という格言が適切です。OTデータのコンテキストをエッジで自動的に捕捉することで、膨大な量の産業用データから高品質で実用的な洞察を引き出すことができます。ロックウェル･オートメーションのFactoryTalk® Smart Object™機能は、この点で重要なブレークスルーとなります。OTエンジニアは、物理的なプラントシナリオを模倣する柔軟な共通のIT/OT情報モデルを設計し、遅延の少ないランタイムOTタグ値と生産コンテキストを自動的に入力できるようになりました。これにより、OTデータの品質が飛躍的に向上し、付加価値を高める新しい方法が切り開かれます。
豊富なOTコンテキストにより、データサイエンティストやITアナリストは、より広い視野で企業レベルの洞察を明らかにすることができます。さらに、豊富なOTコンテキストにより、企業レベルのスケールでモデルを展開し、価値実現までの時間を短縮することができます。
例えば、食品&飲料の包装工場には、充填、瓶詰め、包装など、複数の生産段階があります。自動化されたOTデータコンテキストの捕捉により、製造メーカはさまざまな生産パラメータを特定のバッチ番号に簡単に関連付けることができます。圧力、温度、容器の厚みなど、製造バッチの起源を記録することができます。
製造業は、データエンジニアリングに力を入れることなく、(異常値を排除した上で)リアルタイムに根本原因分析を行なうことができるという明確な利点を得ることができるようになりました。緊急のリコール問題に対応する際、その原因が生産工程にあるのか、それとも原材料にあるのかを容易に推測することができます。「デジタル出生証明書」は、継続的な改善のための優れた基準点となります。
最新のビジュアル･データ･サイエンス･ツールでTime to Value (TTV)を加速
お客様は、さまざまな問題に対して最新のツールを活用し、モデル作成へのアプローチをよりスマートなものにしています。「一度作成したら何度でも再利用する」ことが流行っています。
今日、OTの専門家は、価値実現までの時間を短縮するために、データサイエンスの努力やトレーニングを最小限に抑えた迅速なMLソリューションの立ち上げを模索しています。産業用製造業のユースケースをターゲットにした、あらかじめ構築されたMLライブラリへの関心が高まっています。OTエンジニアは、データの準備、モデリング、トレーニングなどをゼロから始めたくありません。
また、データサイエンティストやITアナリスト、特に産業用製造業に従事する人々は、継続的にMLモデルを視覚的に構築、訓練、展開、スコアリング、モニタできる堅牢なビッグデータ解析とMLプラットフォームソリューションを求めています。彼らは、オープンで、標準化され、セキュアで、エンタープライズグレードの分析ソリューションを必要とし、それを使って、一元管理されたIT環境でモデルのライフサイクル全体を共同で管理することができるのです。
ビジュアル･データ･パイプライン作成機能は、MLモデルの作成と管理を加速させる上で大きな役割を果たします。パイプライン作成の各ステップで変換されたデータを可視化することで、実行中の予期せぬエラーを最小限に抑えることができます。さらに、ビジュアルダッシュボードは、モデルのパフォーマンス統計やポイント&クリックによる設定によってパフォーマンスを追跡するのに役立ちます。
データサイエンティストやITアナリストは、複雑なデータパイプラインを直感的に作成し、Python、Spark、H2O.ai、PMMLなどの機械学習アルゴリズムをリアルタイム･ストリーミング･データやバッチデータに適用することに憧れを抱いています。一度作成したモデルは、スケーラブルな実行エンジンのデータパイプラインに配置することで、スコアリングすることができます。最後に、BYOM (Bring your Own Models)とオープンなプログラミング環境にコードをインポートする機能は、再利用性によってイノベーションのペースを加速させるのに役立つことは間違いないでしょう。
AI/MLジャーニーにおけるロングビュー: エンド･ツー･エンドのモデルライフサイクル管理
MLモデルの運用サイクルをエンド･ツー･エンドで管理する(モデルの作成からメンテナンスまで)ことは、産業分析分野で新たに注目されている分野です。
分析モデルを作成した後は、MLモデルのパフォーマンスを追跡し、より新しい生産データでトレーニングを続けることが不可欠です(エッジからクラウドまでのどの領域に配置されている場合でも)。モデルのメンテナンスの自動化は重要ですが、MLモデルを「いつ」再構築する必要があるのかを知ることの方がより重要でしょう。
市場の状況は流動的で、製造のニーズは変化し、生産工程は進化します。そのため、モデルの性能の劣化を常にモニタし、適切なタイミングで別のバージョンに交換できるようにする必要があります。
例えば、生産ラインの再設計、新しいセンサの追加、最近の重機のメンテナンスなど、「いつ」MLモデルの再構築が必要になるのか、いくつかの例を挙げることができます。そのためには、その予測精度のドリフトを常に追跡する必要があります。モデルのメンテナンスは、AI/MLモデル管理の旅において、事前に予測し、予算化する必要があります。
新しい世界、新しいソリューション
今までのやり方では、これから先はうまくいかなくなります。AI/MLの進歩は、Time to Value (TTV: 価値実現までの時間)を加速させるセルフサービス製造ワークフローによって、産業用製造業に新たなフロンティアを生み出しています。DXリーダとして、旧来のやり方では未来に対応できないことを認識しましょう。AI/MLテクノロジで起きている大きなシフトを吸収し、それを応用して、産業用製造領域で優先度の高いユースケースのTime to Value (TTV)を加速させなければならないのです。
新しい問題を抱える新しい世界では、新しいソリューションが求められます。ITとOTの融合、OTシチズン･データ･サイエンティストの台頭、堅牢なモデルライフサイクル管理を提供するビジュアルツールによるAI/MLの民主化など、トレンドを取り入れることは賢明な選択です。これらのトレンドとベストプラクティスを産業用分析ソリューションに活用することで、高品質で企業レベルの洞察を獲得し、主要な製造成果に対する価値実現までの時間を短縮することが可能になります。
