Datenmanagement fördert maschinelles Lernen und KI. in IIOT

Besuchen Sie eine beliebige Konferenz, ein Webinar oder sprechen Sie mit Analysten aus der Fertigungsbranche und zwei der größten Schlagworte, die Sie hören werden, sind „Maschinelles Lernen“ und „Künstliche Intelligenz“ (KI). Hier bei Cisco erforschen und investieren wir ebenfalls in diesen Bereichen und treiben maschinelles Lernen und KI in unserem Portfolio aktiv voran.

Oft werden die beiden Begriffe falsch verstanden. SAS, einer unserer globalen Partner, hat kürzlich ein hervorragendes Video über den Unterschied zwischen den beiden erstellt:

Wie im Video erwähnt:

• KI ist die Wissenschaft von Maschinen und Computern, die Menschen emulieren
• Maschinelles Lernen ist eine Methode, mit der Maschinen aus den Daten lernen

Warum sind diese Themen wichtig und warum gibt es in diesen Bereichen, die sich auf die Zukunft der Fertigung beziehen, so viel Aufsehen? Derzeit sehen wir die Fertigung im Zeitalter von Industrie 4.0/Smart Manufacturing. Diese technische Entwicklung wurde in diesem Blog ausführlich diskutiert, aber um den Ultimate Guide to Manufacturing kurz zusammenzufassen, sehen wir drei grundlegende Bereiche, die für Hersteller auf diesem Weg entscheidend sind.

1. Hyperawareness:Eine organisatorische Fähigkeit, Echtzeiteinblicke und zukünftige Trends zu erkennen. Eine kritische Komponente der Hyperawareness ist die Fähigkeit, aus erster Hand zu sehen, wie Produkte und Dienstleistungen in der Praxis verwendet werden.
2. Informierte Entscheidungsfindung:Die Fähigkeit, Informationen, die durch Hyperawareness ankommen, aktiv zu analysieren und sicherzustellen, dass sie diejenigen erreichen, die sie am dringendsten benötigen.
3. Schnelle Ausführung:Informierte Entscheidungen müssen in die Tat umgesetzt werden (vorausschauende Wartung, wenn beispielsweise eine Maschine im Werksboden frühe Ermüdungserscheinungen zeigt).

Maschinelles Lernen und KI sind natürliche Erweiterungen dieser grundlegenden Fähigkeiten.

Laut IDC:

IDC hat festgestellt, dass dieser Trend in der KI weiter zunehmen wird und „bis 2020 eine durchschnittliche jährliche Wachstumsrate von 54,4% erreichen wird, wenn der Umsatz mehr als 46 Milliarden US-Dollar betragen wird. ¹

Die Grundlage für maschinelles Lernen und KI

Das Fundament sowohl des maschinellen Lernens als auch der KI sind Daten. Daten werden diese Plattformen speisen, um alle Facetten der Fertigung zu verbessern und letztendlich einen steigenden Return on Investment (ROI) zu erzielen. In einem vereinfachten Szenario der vorausschauenden Wartung müssen die Maschine und ihr übergeordnetes Steuerungssystem beispielsweise in der Lage sein, ihre optimale Leistung zu korrelieren und Abweichungen vom Ausgangswert zu erkennen. Es muss mehrere Datenquellen berücksichtigen, korrelieren, analysieren und dann zu einer Entscheidung kommen. Zu viele Informationen können die Analytik überfordern und die Dinge verlangsamen; zu wenig Informationen und die Maschine wird nicht den Wert ableiten, um intelligent zu optimieren und zu verbessern. Maschinelles Lernen und KI könnten auch Anwendungen in Bereichen wie der Optimierung der Lieferkette, der Forschung und Entwicklung sowie der Einführung neuer Produkte verändern, um nur einige Beispiele zu nennen.

Bedenken Sie nun, dass eine Fabrik 1.000 TB Daten pro Tag produzieren kann, wobei über 10.000 Sensoren mehr als 12.000 Variablen von Alt- und Neumaschinen erfassen. Diese miteinander verbundenen Faktoren sind sehr zu berücksichtigen und bedeuten, dass Hersteller nicht nur die Konnektivität zu den Daten berücksichtigen müssen, sondern auch entscheiden müssen, wohin diese Daten gehen sollen, wie oft sie gesendet werden und wie sie verwendet werden. Diese Datendynamik bildet die Grundlage als Treibstoff für maschinelles Lernen und KI.

Einige zu berücksichtigende Datenverwaltungsbereiche, die KI und maschinelles Lernen unterstützen:

• Häufigkeit:Überlegen Sie, wie oft die Daten dem Unternehmen einen Mehrwert verleihen, und ziehen Sie sie nur so oft ab. Unnötige Datenabrufe können zu einer Informationsüberflutung führen. Das Hinzufügen von Cloud-Anwendungen für Computing kann auch Szenarien schaffen, in denen nicht segmentierte Daten unnötige Kosten und Overhead verursachen und das Betriebsbudget beeinträchtigen.
• Priorisierung:Priorisieren Sie kritische Daten gegenüber unkritischen Daten, um die Netzwerkintegrität zu gewährleisten und sicherzustellen, dass wertvolle Informationen das richtige Ziel erreichen.
• Verarbeitung:Herkömmliche Computermodelle senden die Daten zur Analyse an das Kernrechenzentrum oder die Cloud. Dies ist jedoch in vielen Fertigungsszenarien unpraktisch. Machine Learning und KI in Fertigungsdaten erfordern oft eine Echtzeitanalyse. Netzwerkarchitekten sollten eine Hybridlösung aus Edge-Computing und zentralisiertem Daten-Computing in Betracht ziehen, um maschinelles Lernen und KI-Initiativen zu unterstützen.
• Orchestrierung:Durch den Datenzufluss wird es immer wichtiger, herauszufinden, wie Plattformen für maschinelles Lernen und KI diese Daten empfangen und wie sie sie nutzen. Es ist wichtig, eine konsistente Kontrolle und Sensibilisierung der Daten zu implementieren, einschließlich des Zeitpunkts, an dem sie empfangen, wie sie zugestellt werden und warum sie gesendet wurden.
• Sicherheit:Die Produktionsintegrität ist geschäftskritisch, aber das Verbinden mehrerer Datenfeeds kann zu neuen Sicherheitslücken führen. Während maschinelles Lernen und KI zu enormen geschäftlichen Vorteilen führen können, kann eine Sicherheitsverletzung Daten- und Datenschutzrisiken schaffen, die den Ruf eines Unternehmens und das Vertrauen der Kunden gefährden können. Auf der anderen Seite kann maschinelles Lernen auch dazu beitragen, die Sicherheit zu erhöhen, um Anomalien zu erkennen.

Um Herstellern zu helfen, eine Grundlage für maschinelles Lernen und KI zu schaffen, haben wir einen Leitfaden zum Datenmanagement in der digitalen Fertigung entwickelt. Der Leitfaden enthält Best Practices rund um das Datenmanagement und Überlegungen zur Bestimmung der für Sie geeigneten Workload-Architektur, wenn Sie Ihre Technologie-Roadmap überdenken. Es enthält auch wichtige Fallstudien sowie Ressourcen, die Ihnen beim Umstieg auf dieses neue Datenmodell helfen können.

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