Что ждет промышленный Интернет вещей и сложную аналитику
Опубликовано: 2021-12-23
Рынок 4., тем не менее, представляет собой постоянную эволюцию, в основе которой лежит сеть вещей. Цифровая трансформация промышленных предприятий продолжается и ускорилась из-за последней пандемии. Как выглядит обозримое будущее для Industrial IoT и Superior Analytics? Какие приоритеты должны быть у топ-менеджеров в 2022 году и в прошлом?
McKinsey полагает, что к 2020 году общая стоимость, полученная IoT, составит 1,6 триллиона долларов, а рынок B2B, вероятно, расширится до 3,4–8,1 триллиона долларов к 2030 году. Эта оценка показывает, что в ближайшие годы по-прежнему существуют значительные ценовые перспективы. .
Чтобы понять это преимущество, есть некоторые препятствия и возможности, которые необходимо преодолеть в бизнесе и цифровых подходах в ходе бизнеса. Основа для развития была заложена быстрым прогрессом компонентов IoT, а также возможностью розничной торговли важной информацией, при этом цены на оба из них резко снизились за десятилетия. И акцент сейчас делается на том, как мы используем эту информацию, которая в настоящее время получена, чтобы сделать ее стоящей.
1. Совместимость систем для получения большего количества знаний
Масштабирование электронной трансформации оказалось одним из самых сложных препятствий, с которыми предприятия сталкивались в пространстве IoT. Многие пилотные проекты не были приспособлены для масштабирования, что ограничивало скорость внедрения и реализацию ценности. Одной из причин этого является барьер методов, который был создан за счет использования проприетарных закрытых экосистем, а также сочетания устаревших технологий, сочетания различных архитектур деталей и специальных языков датчиков IoT. Чтобы получить прибыль от сложных аналитических данных, необходимо собирать и распространять данные с помощью устройств, чтобы информация могла собираться по всей организации. Чтобы этого добиться, организациям необходимо обеспечить функциональную совместимость всех обозримых будущих закупок, а также стратегию решения проблем, связанных с наследием.
2. Настройка хранилища данных для современной аналитики в обозримом будущем
Превосходная аналитика, искусственный интеллект и управление устройствами используют огромные объемы информации в необработанном неструктурированном формате. Компании хотят изменить способ сбора, хранения и обработки этих данных. Для предиктивной аналитики информация о временных рядах имеет решающее значение, поэтому компаниям следует перейти к использованию облачных хранилищ данных и баз данных графов, чтобы они могли максимально использовать новые высокоразвитые аналитические ноу-хау.
3. Высокоразвитая аналитика — масштабная инициатива предприятия
Ценность будет понятна, когда компании масштабируются и начинают использовать превосходную аналитику, такую как синтетический интеллект и машинное обнаружение, в ходе своих функций. Помимо небольших пилотных приложений или запрета на использование ответов для внутренних групп по науке о знаниях, компаниям необходимо с самого начала настроить современную аналитику, которая будет использоваться во время группы. Демократизация данных происходит, когда люди сегодня в организации начинают просматривать данные, чтобы поддерживать информацию о своих рабочих буднях. McKinsey считает, что «величайшая возможность для создания стоимости заключается в оптимизации производственных операций, что делает повседневное управление имуществом и людьми более успешным».
4. Машинный мастеринг без кода и MLOps
Автоматизация Superior Analytics — это важный шанс для промышленных корпораций в будущем. Технологии продвинулись вперед, и понимание устройств без кода (ML) в настоящее время развертывается организациями по всему миру. Машинное обучение без кода позволяет важным гуру и операторам быстро разрабатывать типы своих активов или операций, не имея опыта кодирования или программирования. Проекты мгновенно развертываются, изучаются на основе реальных и исторических знаний и дают важную информацию, чтобы помочь персоналу улучшить работу. Мы смотрим на то, как это можно использовать для профилактического обслуживания и мониторинга ситуации в режиме реального времени. ML Ops — это программное обеспечение непрерывного комплексного тестирования и непрерывного развертывания посредством автоматизации для предоставления масштабируемых и актуальных информационных проектов для промышленного поиска оборудования. Именно благодаря индустриализации понимания устройств автоматизация моделей может быть реализована на месте, способствуя масштабируемости инновационной аналитики в ходе бизнеса.
5. Включение удаленных и автоматических операций
Переход к дистанционному управлению и централизованным функциям привел к таким усовершенствованиям, как удаленная проверка и большая автоматизация множества опций. Эти инновации помогут свести к минимуму текущие расходы, риски для безопасности персонала и позволят лучше узнать ценность, которую может принести IoT. Возможность удаленного наблюдения и получения предупреждений о прогнозируемой производительности, сбое или ошибке повышает эффективность работы команд. Усовершенствованная аналитика дает основной результат оценки, гарантируя, что нужный персонал и области будут указаны на веб-сайте, а также информацию, которая позволяет операторам делать обоснованные выводы, такие как корректировки в процедурах или оборудовании, используемом для предотвращения потери производительности. знающий.
6. Соответствие требованиям и сокращение выбросов
Отраслевые организации устанавливают целевые показатели выбросов, и на следующем этапе необходимо убедиться, что они соответствуют этим целевым показателям. Интернет вещей и расширенная аналитика могут помочь корпорациям определить точные базовые показатели для концентрации внимания на окружающей среде и следить за текущим использованием. Области значительного использования энергии могут быть обнаружены вместе с возможностями для улучшения возможностей. Auto ML можно применять для прогнозирования всплесков потребления электроэнергии, чтобы поддерживать накопление электроэнергии и минимизировать растраты.
7. Комплексный анализ компании
Объединение данных и передовой аналитики во всей компании дает возможность улучшить прогнозирование, отчетность и соответствие требованиям. Данные можно использовать для продвижения тактики продвижения, оптимизации и диверсификации. Информация может быть использована для улучшения процедур и, возможно, может способствовать обмену пониманием между уникальными подразделениями и моделями компании.
Ценностный риск от каждой ситуации использования IoT и превосходной аналитики может значительно различаться. Таким образом, главная цель получения всей достижимой ценности — внедрить инновации во всю организацию, начиная с высшего руководства. Цифровая трансформация больше не находится в ИТ-подразделении или инновационной группе. Чтобы считаться подлинной ценностью, она должна быть встроена в существование фирмы.
Проблема заключается в том, чтобы масштабировать и делать это быстро, чтобы можно было быстро понять ценность. Это, в свою очередь, поможет изменить внутреннюю культуру, методы и методологии. Импульс будет увеличиваться по мере того, как пилоты переходят на развертывание, и создаются улучшения, которые устраняют узкие места, повышают точность принятия решений и в целом улучшают результаты корпорации.
Тревор Блох, основатель и генеральный директор команды VROC AI