Convergência superior de TI/TO: capture automaticamente o contexto de TO na borda
Embora a tecnologia de IA/ML tenha avançado muito, a preparação de dados continua sendo um desafio. E isso é um problema para a indústria de manufatura. A razão é simples: previsões incorretas a partir de dados de baixa qualidade podem ter sérias repercussões na produção, na segurança dos trabalhadores e em equipamentos que exigem muito capital. Analistas de TI e cientistas de dados geralmente buscam conjuntos de dados de TO específicos e abrangentes com alta granularidade para resolver problemas de domínio, mas engenheiros não têm acesso fácil a eles.
Dados de baixa qualidade resultam em muita troca entre engenheiros e cientistas de dados, mesmo antes da fase de criação do modelo. Além disso, o mesmo conjunto de dados brutos de TO pode ser reutilizado para construir outros modelos no futuro. É importante ter padrões elevados de qualidade dos dados, integridade e relevância antes da preparação e execução do modelo.
O ditado "lixo entra, lixo sai" é apropriado aqui. Capturar automaticamente o contexto dos dados de TO na borda pode ajudar a desbloquear insights acionáveis e de alta qualidade a partir do vasto volume de dados industriais. A capacidade FactoryTalk® Smart Object™ da Rockwell Automation é um avanço significativo nesse sentido. Engenheiros de TO agora podem projetar modelos de informações comuns de TI/TO flexíveis que imitam cenários físicos de fábrica e preenchê-los automaticamente com valores de tags de TO em tempo de execução e contexto de produção com baixas latências. Isso melhora tremendamente a qualidade dos dados de TO e abre novas maneiras de agregar valor.
Um contexto de TO mais rico permite que cientistas de dados e analistas de TI descubram insights em nível empresarial com uma visão mais ampla. Além disso, com o contexto de TO mais rico, eles podem implantar modelos em escala empresarial — e acelerar o maior rendimento.
Vamos analisar um exemplo: uma fábrica de embalagens de alimentos e bebidas tem vários estágios de produção, como enchimento, engarrafamento, embalagem etc. Com a captura automatizada do contexto de dados de TO, os fabricantes podem correlacionar facilmente diferentes parâmetros de produção a um número de lote específico. Eles podem documentar a origem de um lote de produção com a pressão, temperatura, espessura do contêiner etc.
Os fabricantes agora podem aproveitar uma vantagem clara — podem realizar análise de causa em tempo real (após eliminar valores discrepantes) sem ter que se aprofundar em um grande esforço de engenharia de dados. Ao responder a um problema urgente de recall de segurança, torna-se fácil deduzir se a falha estava no processo de produção ou nas matérias-primas — o “certificado de nascimento digital” serve como excelente ponto de referência para oportunidades de melhoria contínua.
Acelerando o maior rendimento com ferramentas modernas e visuais de ciência de dados
Os clientes estão utilizando ferramentas modernas para um vetor de problemas e estão se tornando mais inteligentes sobre como abordam a criação de modelos desde o início. "Criar uma vez, reutilizar muitas vezes" está em alta.
Hoje, profissionais de TO buscam lançar soluções rápidas de aprendizado de máquina com esforço mínimo de ciência de dados ou treinamento para acelerar o maior rendimento. Há um interesse crescente em bibliotecas de aprendizado de máquina pré-construídas para casos de uso industriais específicos. Engenheiros de TO não querem começar do zero com preparação de dados, modelagem e treinamento,
Além disso, cientistas de dados e analistas de TI — especialmente aqueles no domínio de manufatura industrial — estão procurando soluções robustas de análise de big data e plataforma de aprendizado de máquina que os capacitem a construir, treinar, implantar, pontuar e monitorar modelos de aprendizado de máquina visualmente de forma contínua. Eles precisam de uma solução de análise aberta, padronizada, segura e de nível empresarial, com a qual possam gerenciar colaborativamente todo o ciclo de vida do modelo em um ambiente de TI centralizado.
As capacidades de criação visual de tubulação de dados desempenham um papel importante na aceleração da criação e gestão de modelos de aprendizado de máquina. Visualizar os dados transformados em cada etapa da criação da tubulação minimiza erros inesperados durante a execução. Além disso, painéis visuais ajudam a rastrear o desempenho por meio de estatísticas de desempenho do modelo e configurações de apontar e clicar.
Cientistas de dados e analistas de TI desejam criar tubulações de dados complexas de forma intuitiva e aplicar algoritmos de aprendizado de máquina — de Python, Spark, H2O.ai ou PMML — em dados em tempo real (streaming) ou em lote. Uma vez que os modelos são criados, eles podem ser avaliados implantando-os em tubulações de dados em mecanismos de execução altamente escaláveis. Por fim, a capacidade de trazer seus próprios modelos (BYOM) e importar código para ambientes de programação abertos definitivamente ajuda a acelerar o ritmo da inovação por meio da reutilização.
A visão de longo prazo na jornada de IA/ML: gestão do ciclo de vida do modelo de ponta a ponta
Gerenciar o ciclo de operações do modelo de aprendizado de máquina de ponta a ponta (da criação à manutenção do modelo) é uma área de foco emergente no espaço de análise industrial.
Após criar um modelo de análise, é essencial acompanhar o desempenho do modelo de aprendizado de máquina (onde quer que ele seja implantado no espectro edge-to-cloud) e continuar treinando-o com dados de produção mais recentes. Embora a automação da manutenção do modelo seja importante, é provavelmente mais importante saber "quando" um modelo de aprendizado de máquina precisa ser reconstruído.
As condições de mercado podem ser fluidas, as necessidades de manufatura mudam e os processos de produção evoluem. Por isso, é preciso monitorar constantemente um modelo para detectar desvio de desempenho e poder trocá-lo por outra versão no momento certo.
Alguns exemplos de "quando" um modelo de aprendizado de máquina precisaria ser reconstruído podem incluir um redesenho da linha de produção, a adição de um novo sensor ou uma manutenção recente de equipamentos pesados. Para isso, é necessário rastrear constantemente o desvio em sua precisão preditiva. A manutenção do modelo deve ser antecipada e orçada na jornada de gestão do modelo de IA/ML.
Novo mundo, novas soluções
O que te trouxe até aqui não vai te levar até lá. Os avanços em IA/ML estão criando novas fronteiras na manufatura industrial com fluxos de trabalho de autoatendimento que aceleram o maior rendimento. Como líder de transformação digital, perceba que a maneira antiga de fazer as coisas não vai te posicionar para o futuro. É preciso absorver as grandes mudanças que estão acontecendo na tecnologia de IA/ML e aplicá-las para acelerar o maior rendimento para casos de uso prioritários em seu domínio de manufatura industrial.
Um novo mundo com novos problemas exige novas soluções. É prudente abraçar as tendências: convergência superior de TI/TO com contexto de TO mais rico na origem, o surgimento de cientistas de dados cidadãos de TO e a democratização de IA/ML com ferramentas visuais que oferecem uma gestão robusta do ciclo de vida do modelo. Aproveitar essas tendências e melhores práticas em suas soluções de análise industrial permite obter insights de qualidade em nível empresarial e acelerar o maior rendimento para seus principais resultados de manufatura.
