Bagaimana kualitas data membuat proyek IoT lebih menguntungkan
Pengeluaran teknologi global untuk Internet of Things (IoT) diperkirakan akan mencapai $1,2 triliun (€1 triliun) pada tahun 2022, dipimpin oleh industri seperti manufaktur terpisah $119 miliar (€108 miliar), manufaktur proses $78 miliar (€70,8 miliar), transportasi $71 miliar (€64,5 miliar) dan utilitas $61 miliar (€55,4 miliar).
Memang, pasar untuk produk dan layanan Industri 4.0 diperkirakan akan tumbuh secara signifikan selama beberapa tahun ke depan – dan lebih dari 60% produsen diharapkan akan terhubung sepenuhnya pada saat itu, memanfaatkan perubahan teknologi seperti RFID, perangkat yang dapat dikenakan, dan sistem otomatis. , kata Ramya Ravichandar, Wakil Presiden Produk, FogHorn .
Meskipun industri mengantisipasi pertumbuhan positif dalam proyek IoT dan IIoT saat ini dan yang akan datang, beberapa tantangan signifikan masih perlu diatasi untuk sepenuhnya memenangkan kepercayaan pelanggan dan memindahkan proyek percontohan ke produksi IoT skala besar yang sukses. Meskipun banyak yang melihat keterbatasan konektivitas, risiko keamanan, dan bias data, termasuk kuantitas data, masalah sebagai penghalang jalan menuju kesuksesan IoT, kami menemukan bahwa kualitas data juga memainkan peran penting dalam memberikan proyek IoT yang efektif.
Apa itu kualitas data – dan bagaimana pengaruhnya terhadap keberhasilan penerapan?
Kualitas data memainkan peran penting dalam peningkatan adopsi perangkat IoT dalam tiga cara utama:
Organisasi hanya dapat membuat keputusan berdasarkan data yang tepat jika data yang mereka gunakan benar dan sesuai untuk kasus penggunaan yang ada.
Data berkualitas buruk praktis tidak berguna – dan dapat menyebabkan masalah serius, seperti model pembelajaran mesin yang tidak akurat, pengambilan keputusan yang tidak akurat, atau ROI yang kurang.
Secara khusus, masalah klasik sampah masuk/sampah keluar muncul kembali dengan meningkatnya kecerdasan buatan dan aplikasi pembelajaran mesin.
Data feed, train, dan tune model machine learning (ML) berkualitas tinggi untuk memberdayakan pabrik yang mendukung IoT untuk membuat keputusan berdasarkan data yang tepat.
Misalnya, kegagalan turbin uap yang tidak terduga dapat menimbulkan gangguan kritis, kerusakan, dan kerugian ekonomi baik bagi pembangkit listrik maupun jaringan listrik hilir. Model pembelajaran mesin prediktif, yang dilatih pada set data berkualitas tinggi, membantu organisasi industri ini memaksimalkan keandalan peralatan mereka dengan mendeteksi potensi kegagalan sebelum masalah signifikan muncul.
Namun, data kotor, termasuk data yang hilang, tidak lengkap, atau rawan kesalahan, menyebabkan organisasi membuat kesalahan yang merepotkan, memakan waktu, dan mahal. Faktanya, menurut The Data Warehouse Institute (TDWI), data kotor merugikan perusahaan AS sekitar $600 miliar (€545 miliar) setiap tahun. Adalah fakta bahwa sekitar 80% pekerjaan ilmuwan data difokuskan pada persiapan dan pembersihan data untuk memastikan bahwa model ML memberikan wawasan yang tepat.
Ke depan, organisasi harus menggabungkan metodologi untuk memastikan kelengkapan, validitas, konsistensi, dan kebenaran aliran datanya untuk meningkatkan kualitas wawasan, menerapkan proyek IoT yang efektif, dan mewujudkan ROI yang optimal.
Jadi, apa peran komputasi tepi dalam kualitas data?
Sensor industri hadir dalam berbagai jenis dan mengumpulkan volume, variasi, dan kecepatan data yang tinggi, termasuk video, audio, akselerasi, getaran, akustik, dan banyak lagi. Jika sebuah organisasi berhasil menyelaraskan, membersihkan, memperkaya, dan menggabungkan semua aliran data yang beragam ini, hal itu dapat meningkatkan efisiensi, kesehatan, dan keselamatan operasi mereka secara signifikan. Namun, untuk memberikan gambaran yang lengkap dan akurat tentang operasi pabrik, organisasi harus mengumpulkan, menggabungkan, dan memproses wawasan mentah yang disampaikan oleh berbagai sumber data jarak jauh ini.
Komputasi tepi berkembang pesat pada jenis lingkungan ini karena mereka dapat mengumpulkan dan memproses data real-time pada awalnya, dan kemudian membuat struktur dalam data untuk membantu mengidentifikasi nilainya.
Mesin berkemampuan edge membantu membersihkan dan memformat data kotor secara lokal, yang meningkatkan pelatihan dan penerapan model pembelajaran mesin yang akurat dan efektif. Memang, peneliti industri percaya bahwa kasus penggunaan berbasis edge untuk IoT akan menjadi katalis yang kuat untuk pertumbuhan di seluruh pasar vertikal utama – dan bahwa data akan diproses (dalam beberapa bentuk) oleh edge computing di 59% penerapan IoT pada tahun 2025.
Misalnya, menggunakan komputasi tepi, pabrik dapat meningkatkan kualitas produk dengan menganalisis data sensor secara real-time untuk mengidentifikasi nilai apa pun yang berada di luar ambang batas yang ditentukan sebelumnya, membangun dan melatih model ML untuk mengidentifikasi akar penyebab masalah, dan, jika diinginkan, menerapkan model ML untuk secara otomatis menghentikan produksi suku cadang yang rusak.
Untuk kasus penggunaan ini, dan yang serupa, solusi edge-enabled mengubah data mesin waktu nyata (data berkualitas rendah) menjadi wawasan yang dapat ditindaklanjuti (data berkualitas tinggi) terkait dengan efisiensi produksi dan metrik kualitas yang dapat digunakan oleh manajer operasi untuk mengurangi waktu henti yang tidak direncanakan, memaksimalkan hasil, dan meningkatkan penggunaan alat berat.
Banyak organisasi mulai memahami nilai komputasi edge yang dapat dibawa ke proyek IoT dan IIoT mereka, karena solusi edge mengubah data sensor streaming mentah menjadi wawasan yang dapat ditindaklanjuti menggunakan pemrosesan data dan analitik real-time. Dengan membersihkan dan memperkaya data kotor pada titik pembuatannya, komputasi tepi dapat secara signifikan meningkatkan kualitas data dan menyempurnakan data mesin yang berulang untuk efisiensi operasional yang lebih baik.
Penulisnya adalah Ramya Ravichandar, produk VP, FogHorn
