Bagaimana Manajemen Data yang Kuat Menggerakkan Machine Learning dan AI dalam IoT Industri
Di lanskap manufaktur saat ini, machine learning dan kecerdasan buatan (AI) tidak lagi sekadar kata kunci—mereka adalah mesin yang mendorong gelombang keunggulan operasional berikutnya.
Di Cisco, kami berinvestasi besar-besaran dalam teknologi ini, bekerjasama dengan pemimpin industri seperti SAS, yang baru-baru ini menghasilkan video yang menyenangkan yang secara jelas memisahkan konsep: AI adalah ilmu mesin meniru kecerdasan manusia, sementara machine learning adalah metode di mana mesin tersebut belajar dari data.
Mengapa kemampuan ini kritis? Manufaktur firmly berada di era Industri 4.0, atau Smart Manufacturing, di mana tiga pilar dasar—hyperawareness, pengambilan keputusan yang terinformasi, dan eksekusi cepat—mendorong keberhasilan. Machine learning dan AI secara alami memperluas pilar ini dengan mengubah aliran data yang besar menjadi wawasan yang dapat ditindaklanjuti.
- Hyperawareness: Tangkap wawasan real-time dan tren yang muncul, melihat bagaimana produk dan layanan beroperasi di lapangan.
- Pengambilan Keputusan yang Terinformasi: Analisis aliran data sehingga wawasan mencapai pemegang kepentingan yang tepat pada waktu yang tepat.
- Eksekusi Cepat: Ubah keputusan menjadi tindakan—seperti pemeliharaan prediktif ketika mesin menunjukkan tanda-tanda awal kelelahan.
IDC meramalkan pasar AI akan tumbuh dengan lajukan tahunan majemuk 54,4% hingga 2020, mencapai lebih dari $46 miliar pendapatan. Kunci untuk merealisasikan pertumbuhan ini terletak pada data—bahan bakar untuk machine learning dan AI.
Pertimbangkan pabrik yang menghasilkan sekitar 1.000 TB data setiap hari, dengan lebih dari 10.000 sensor menangkap lebih dari 12.000 variabel dari peralatan warisan dan modern. Mengelola banjir data ini memerlukan keputusan disengaja tentang konektivitas, penyimpanan, dan waktu analitik. Strategi data yang tepat tidak hanya meningkatkan pemeliharaan tetapi juga mengoptimalkan rantai pasokan, mempercepat R&D, dan mempercepat peluncuran produk baru.
Manajemen data yang efektif untuk AI dan machine learning dalam manufaktur bergantung pada lima area kritis:
- Frekuensi: Ambil data hanya saat menambah nilai bisnis untuk menghindari overload informasi dan biaya yang tidak perlu.
- Prioritasi: Pastikan data kritis mencapai tujuan yang tepat, mempertahankan integritas jaringan.
- Pemrosesan: Gunakan solusi hibrid tepi-dan-cloud untuk memungkinkan analisis real-time di tempat pusat data atau cloud sendirian tidak mencukupi.
- Orkestrasi: Peta bagaimana platform AI menerima dan mengonsumsi data, mempertahankan kontrol dan visibilitas yang konsisten.
- Keamanan: Lindungi integritas produksi sambil memanfaatkan AI untuk mendeteksi anomali dan memperkuat keamanan siber.
Untuk membantu produsen membangun dasar yang kokoh, kami mengembangkan panduan Data Management in Digital Manufacturing, menawarkan praktik terbaik, wawasan arsitektur beban kerja, dan studi kasus untuk memberitahukan peta jalan teknologi Anda.
- Sumber: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, Oktober 2017
