Teknologi yang muncul seperti analitik canggih dan kecerdasan buatan (AI) mengubah sektor manufaktur. Lantai pabrik dipenuhi dengan data yang didorong oleh pertumbuhan sensor Internet of Things (IoT). Namun, kata Mike Loughran, CTO untuk Inggris Raya dan Irlandia di Rockwell Automation , data saja bukanlah komoditas yang berguna. Data ini membutuhkan keahlian konteks dan domain yang diterapkan sebelum dianalisis untuk memberikan wawasan dan nilai bisnis yang berharga.
Analytics dan AI telah mengganggu banyak industri, terutama ruang konsumen. Hari ini kami melihat iklan bertarget dan platform e-niaga media sosial yang dapat memprediksi produk yang ingin kami beli, dan aplikasi berbasis lokasi bahkan dapat membuat rekomendasi berdasarkan lokasi Anda. Tema yang mendasari di sini adalah bahwa analitik memungkinkan keputusan berdasarkan data dengan memunculkan wawasan pada waktu yang tepat.
Pertanyaan yang wajar adalah bagaimana industri manufaktur industri, yang sangat berbeda dari ruang konsumen, memanfaatkan peluang ini. Manfaatnya jelas terlihat. Rata-rata organisasi manufaktur yang memulai transformasi operasi mereka dengan mengadopsi transformasi digital dan analitik bertujuan untuk meningkatkan pendapatan hingga 10%, menurunkan biaya operasi hingga 12%, dan meningkatkan efisiensi aset hingga 30%.
Teknologi digital lainnya mendorong pertumbuhan dua digit ini, tetapi ketika produsen mencoba menerapkan teknologi ini ke analitik, mereka menghadapi beberapa tantangan unik. Alasan untuk itu adalah penerapan analitik dalam konteks manufaktur yang kompleks. Sangat sering, analitik diposisikan sebagai solusi siap pakai di mana Anda pertama kali mengumpulkan semua data secara terpusat, dan kemudian hanya menerapkan algoritme atau model untuk mencapai tanah yang dijanjikan.
Yah, itu tidak sesederhana itu. Sebagian besar beban kerja analitik industri mungkin tidak boleh dijalankan di cloud, karena biaya bandwidth jaringan yang tinggi dan latensi yang lebih lama. Lebih masuk akal untuk menerapkan model analitik tersebut lebih dekat ke edge, tempat data diproduksi. Ini juga membutuhkan banyak pekerjaan untuk melatih model analitik untuk pengaturan industri. Untuk memahami bahwa kita perlu menyelam lebih dalam ke dunia data industri.
Pertama, produsen harus mengelola volume data yang sangat tinggi yang dihasilkan oleh sistem pabrik secara real time, bersama dengan data sejarawan. Ironisnya, tergantung pada kasus penggunaan, hanya sebagian kecil dari data yang ditambang yang mungkin relevan. Mereka kemudian harus mengintegrasikan data ini dari sumber berbeda yang mungkin menggunakan protokol berbeda.
Sistem heterogen ini mungkin memiliki teknologi warisan yang berbeda juga yang mungkin membuat konektivitas dan agregasi data menjadi sulit. Selain itu, mereka mungkin tidak memiliki model data umum di antara sistem yang membuat hubungan, atau hubungan antara titik data, agak tidak jelas.
Wawasan juga harus disampaikan kepada orang yang relevan atau sistem untuk mendorong tindakan dalam jangka waktu yang singkat agar relevan. Terakhir, menerapkan analitik membutuhkan pengetahuan mendalam tentang proses industri yang mendasarinya. Biasanya sangat sulit untuk menemukan ilmu data dan keahlian proses pada orang yang sama.
Agar berhasil, sangat penting untuk memiliki mitra yang tidak hanya dapat memahami manufaktur dan analitik, tetapi juga dapat menyesuaikan solusi untuk kasus penggunaan Anda. Idealnya mitra ini harus memiliki warisan yang kuat di bidang manufaktur dan terbiasa dengan perangkat keras proses dan teknologi operasi, dan tentu saja tujuan bisnis Anda.
Yang diperlukan adalah alat untuk memungkinkan insinyur kontrol dan proses melakukan analitik tanpa bantuan ilmuwan data. Kita perlu menyederhanakan praktik ilmu data. Ketika kami berbicara dengan pelanggan yang sedang dalam perjalanan transformasi digital mereka, ada dua persyaratan umum. Yang pertama adalah pekerja digital dan yang kedua adalah pembelajaran mesin.
Ada empat langkah yang perlu dilakukan perusahaan dengan analisis data. Pertama, mereka harus mengidentifikasi atribut operasional yang penting. Mereka kemudian dapat melanjutkan untuk membangun struktur data logis. Dengan pencapaian ini, mereka dapat menerapkan praktik untuk menangkap data dengan kecepatan tinggi. Terakhir, ada kebutuhan untuk menggunakan kembali model di seluruh lapisan informasi untuk efisiensi dan kecepatan yang lebih besar. Tujuannya adalah untuk mempercepat hasil dengan melengkapi para insinyur dengan alat ilmu data.
Kami mencoba mempermudah otomatisasi, atau insinyur kontrol untuk melakukan beberapa aktivitas ilmu data tersebut. Hal ini dapat kita lakukan dalam produk ThingWorxs Analytics yang menggunakan data dan melalui beberapa langkah yang harus dilalui oleh para ilmuwan data. Ini menyediakan template solusi inovatif yang menempatkan ilmu data di tangan para pakar domain.
Itu dapat melihat melalui tag untuk mengkorelasikan yang diperlukan untuk prediksi yang optimal. Dari seratus, atau bahkan seribu mungkin hanya ada lima yang bisa berdampak besar. Kemudian secara otomatis melalui apa yang disebut pembelajaran mesin otomatis, yang membantu memilih algoritme mana yang akan dijalankan, dan bahkan mulai menjalankan sejumlah skenario untuk memilih algoritme atau kumpulan algoritme mana yang memberikan hasil terbaik.
Penyederhanaan semacam itu, dari apa yang merupakan proses kompleks, yang akan memungkinkan para pakar domain untuk benar-benar mengekstrak nilai yang tersimpan dalam data yang dikumpulkan dan digembar-gemborkan di zaman ilmuwan data warga.
Penulisnya adalah Mike Loughran CTO untuk Inggris dan Irlandia di Rockwell Automation .
Tentang penulis
Mike Loughran adalah CTO untuk Inggris dan Irlandia di Rockwell Automation, penyedia otomasi industri dan teknologi informasi. Dia telah bekerja di perusahaan selama lebih dari 14 tahun, memulai di bidang penjualan perangkat lunak dan menaiki tangga ke posisi C-suite yang sekarang dia pegang.
Teknologi Internet of Things
Apakah Anda mendapatkan hasil maksimal dari mesin Anda? Mengumpulkan data mesin meningkatkan kemampuan Anda untuk memahami apa yang terjadi dengan peralatan industri Anda. Anda dapat bertindak lebih cepat saat terjadi sesuatu atau mendapatkan wawasan yang berguna untuk mengoptimalkan produktivitas
Sejak kedatangan data besar, ilmu komputer modern telah mencapai kemampuan baru dan tolok ukur kekuatan pemrosesan. Saat ini, tidak jarang ditemukan aplikasi yang menghasilkan kumpulan data 100 terabyte atau lebih, yang dianggap sebagai data besar. Dengan volume informasi yang begitu besar, mudah u
Setiap industri telah menyerap data secara real-time, menyesuaikannya, dan berada dalam lanskap digital modern. Perubahan ini mengharuskan industri ritel untuk ikut berlomba mengoptimalkan layanan proses bisnis dan harapan pelanggannya. Digitalisasi telah memberikan kekuatan kepada konsumen dan hari
Manajer rantai pasokan tidak dapat beroperasi dalam kegelapan karena sistem operasi global, tekanan harga, dan meningkatnya harapan pelanggan menjadi norma, seperti yang dijelaskan oleh Paul Myers, profesor praktik dalam manajemen rantai pasokan di Universitas Lehigh. Berbagai faktor ekonomi seperti
