Manajemen Data Mendorong Pembelajaran Mesin dan A.I. di IIOT

Kunjungi konferensi, webinar, atau bicaralah dengan analis di bidang manufaktur dan dua kata kunci terbesar yang akan Anda dengar adalah "pembelajaran mesin" dan "kecerdasan buatan" (AI). Di Cisco, kami juga mengeksplorasi dan berinvestasi di area ini dan secara aktif mendorong pembelajaran mesin dan AI dalam portofolio kami.

Seringkali kedua istilah itu disalahartikan. SAS, salah satu mitra global kami, baru-baru ini membuat video luar biasa tentang perbedaan antara keduanya:

Seperti yang tercantum dalam video:

• AI adalah ilmu tentang mesin dan komputer yang meniru manusia
• Pembelajaran mesin adalah metode di balik cara mesin belajar dari data

Jadi mengapa topik ini penting, dan mengapa ada begitu banyak desas-desus di sekitar area ini yang terkait dengan masa depan manufaktur? Saat ini, kita melihat manufaktur di era Industri 4.0/Manufaktur Cerdas. Evolusi teknis ini telah dibahas panjang lebar di blog ini, tetapi untuk meringkas dengan cepat dari Panduan Utama untuk Manufaktur, kita melihat tiga bidang dasar yang penting bagi produsen dalam perjalanan ini.

1. Hyperawareness:Kemampuan organisasi untuk mengenali wawasan waktu nyata dan tren masa depan. Komponen penting dari hyperawareness adalah kemampuan untuk melihat secara langsung bagaimana produk dan layanan digunakan dalam praktik.
2. Pengambilan keputusan berdasarkan informasi:Kemampuan untuk secara aktif menganalisis informasi yang datang melalui hyperawareness dan memastikan bahwa informasi tersebut menjangkau mereka yang paling membutuhkannya.
3. Eksekusi cepat:Keputusan yang tepat harus diubah menjadi tindakan (misalnya pemeliharaan prediktif ketika mesin di lantai pabrik menunjukkan tanda-tanda awal kelelahan).

Pembelajaran mesin dan AI adalah perpanjangan alami dari kemampuan dasar ini.

Menurut IDC:

IDC telah mencatat bahwa tren AI ini akan terus tumbuh, “mencapai tingkat pertumbuhan tahunan gabungan sebesar 54,4% hingga 2020 ketika pendapatan akan lebih dari $46 miliar. ¹

Dasar untuk pembelajaran mesin dan AI

Bagian dasar dari pembelajaran mesin dan AI adalah data. Data akan memberi makan platform ini untuk membantu meningkatkan semua aspek manufaktur dan pada akhirnya menangkap peningkatan laba atas investasi (ROI). Misalnya, dalam skenario perawatan prediktif yang disederhanakan, mesin dan sistem kontrol pengawasannya harus dapat menghubungkan kinerja optimalnya dan mengenali bila ada penyimpangan dari baseline. Itu harus mempertimbangkan banyak sumber data, menghubungkan, menganalisis, dan kemudian mengambil keputusan. Terlalu banyak informasi dapat mengalahkan analitik dan memperlambat segalanya; terlalu sedikit informasi dan mesin tidak akan mendapatkan nilai untuk dioptimalkan dan ditingkatkan secara cerdas. Pembelajaran mesin dan AI juga dapat mengubah aplikasi di berbagai bidang seperti pengoptimalan rantai pasokan, penelitian dan pengembangan, serta pengenalan produk baru, sebagai beberapa contoh saja.

Sekarang pertimbangkan bahwa sebuah pabrik dapat menghasilkan 1.000 TB data per hari, dengan 10.000+ sensor yang menangkap 12.000+ variabel dari mesin lama dan baru. Faktor-faktor yang saling terkait itu banyak yang perlu dipertimbangkan dan berarti bahwa produsen tidak hanya perlu mempertimbangkan konektivitas ke data, tetapi mereka juga perlu memutuskan ke mana data itu harus pergi, seberapa sering mengirimnya, dan bagaimana menggunakannya. Dinamika data ini menjadi dasar sebagai bahan bakar untuk machine learning dan AI.

Beberapa area pengelolaan data yang perlu dipertimbangkan yang mendukung AI dan pembelajaran mesin:

• Frekuensi:Pertimbangkan seberapa sering data menambah nilai pada bisnis, dan tarik hanya sesering itu. Penarikan data yang tidak perlu dapat menyebabkan informasi yang berlebihan. Menambahkan aplikasi cloud untuk komputasi juga dapat membuat skenario di mana data yang tidak tersegmentasi menambah biaya yang tidak perlu, overhead, dan memengaruhi anggaran operasional.
• Prioritas:Memprioritaskan data penting daripada data tidak penting untuk memastikan integritas jaringan dan membantu memastikan bahwa informasi berharga mencapai tujuan yang sesuai.
• Pemrosesan:Model komputasi tradisional mengirim data ke pusat data inti atau cloud untuk dianalisis. Namun, ini tidak praktis dalam banyak skenario manufaktur. Seringkali, pembelajaran mesin dan AI dalam data manufaktur memerlukan analisis waktu nyata. Arsitek jaringan harus mempertimbangkan solusi hybrid komputasi tepi dan komputasi data terpusat untuk mendukung pembelajaran mesin dan inisiatif AI.
• Orkestrasi:Masuknya data meningkatkan pentingnya pemetaan bagaimana pembelajaran mesin dan platform AI menerima data tersebut dan bagaimana mereka menggunakannya. Sangat penting untuk menerapkan kontrol dan kesadaran data yang konsisten, termasuk kapan diterima, bagaimana dikirimkan, dan mengapa dikirim.
• Keamanan:Integritas produksi adalah misi penting, tetapi menghubungkan beberapa umpan data dapat menimbulkan kerentanan keamanan baru. Sementara pembelajaran mesin dan AI dapat menghasilkan manfaat bisnis yang luar biasa, pelanggaran keamanan dapat menimbulkan risiko data dan privasi yang dapat mengancam reputasi perusahaan dan kepercayaan pelanggan. Di sisi lain, machine learning juga dapat membantu menegakkan keamanan sebagai sarana untuk mendeteksi anomali.

Untuk membantu produsen membangun fondasi untuk pembelajaran mesin dan AI, kami mengembangkan panduan untuk Manajemen Data dalam Manufaktur Digital. Panduan ini memberikan praktik terbaik seputar manajemen data dan pertimbangan untuk menentukan arsitektur beban kerja mana yang tepat untuk Anda saat Anda mempertimbangkan roadmap teknologi Anda. Ini juga mencakup studi kasus penting serta sumber daya yang dapat membantu Anda beralih ke model data baru ini.

1. Sumber:IDC FutureScape:Prediksi Manufaktur Seluruh Dunia 2018, doc# DC #US42126117, Oktober 2017,