Wie robustes Data Management Machine Learning und KI im Industrial IoT antreibt

In der heutigen Manufacturing Landscape sind Machine Learning und Artificial Intelligence (KI) keine Buzzwords mehr – sie sind die Engines, die die nächste Welle operativer Exzellenz antreiben.

Bei Cisco investieren wir stark in diese Technologien, partnerschaftlich mit Industry Leaders wie SAS, die kürzlich ein insightful Video produzierten, das die Konzepte klar trennt: KI ist die Wissenschaft, Maschinen menschliche Intelligenz zu emulieren, während Machine Learning die Methode ist, womit diese Maschinen aus Data lernen.

Warum sind diese Capabilities kritisch? Manufacturing ist fest im Zeitalter von Industrie 4.0, oder Smart Manufacturing, wo drei fundamentale Säulen – Hyperawareness, Informed Decision-Making und Fast Execution – Success treiben. Machine Learning und KI extendieren diese Säulen natürlich, indem sie vaste Data Streams in actionable Insights verwandeln.

1. Hyperawareness: Echtzeit-Insights und Emerging Trends erfassen, sehen, wie Products und Services im Field performen.
2. Informed Decision-Making: Data Flow analysieren, sodass Insights die richtigen Stakeholder zur richtigen Zeit erreichen.
3. Fast Execution: Entscheidungen in Action konvertieren – z. B. Predictive Maintenance, wenn eine Maschine frühe Ermüdungszeichen zeigt.

IDC forecastet, dass der KI Markt mit Compound Annual Growth Rate von 54,4 % bis 2020 wächst, auf über 46 Milliarden $ Revenue. Der Schlüssel, dieses Wachstum zu realisieren, liegt in Data – der Fuel für sowohl Machine Learning als auch KI.

Betrachten Sie eine Fabrik, die grob 1.000 TB Data täglich generiert, mit mehr als 10.000 Sensoren, die über 12.000 Variablen von Legacy und Modern Equipment erfassen. Dieses Deluge zu managen, erfordert deliberate Entscheidungen über Konnektivität, Storage und Analytics Timing. Die richtige Data Strategy verbessert nicht nur Maintenance, sondern optimiert auch Supply Chains, beschleunigt R&D und speedet New Product Introductions.

Effektives Data Management für KI und Machine Learning in Manufacturing hängt von fünf kritischen Bereichen ab:

• Frequency: Data nur pullen, wenn es Business Value addiert, um Information Overload und unnötige Kosten zu vermeiden.
• Prioritization: Sicherstellen, dass kritische Data das appropriate Destination erreicht, Network Integrity bewahrend.
• Processing: Hybrid Edge-and-Cloud Solutions einsetzen, um Echtzeit-Analyse dort zu ermöglichen, wo Core Data Centers oder Cloud allein kurz fallen.
• Orchestration: Mappen, wie KI Platforms Data empfangen und konsumieren, konsistente Control und Visibility wahrend.
• Security: Produktionsintegrität schützen, während KI genutzt wird, um Anomalien zu detektieren und Cybersicherheit zu verstärken.

Um Hersteller beim Aufbau eines soliden Fundaments zu helfen, entwickelten wir den Data Management in Digital Manufacturing Guide, der Best Practices, Workload Architecture Insights und Case Studies für Ihren Technology Roadmap bietet.

1. Quelle: IDC FutureScape: Worldwide Manufacturing 2018 Predictions, doc# DC #US42126117, Oktober 2017