Datenwissenschaft in die Hände von Domänenexperten geben, um wertvollere Erkenntnisse zu liefern

Aufstrebende Technologien wie Advanced Analytics und künstliche Intelligenz (KI) verändern den Fertigungssektor. Die Fabrikhalle ist mit Daten überflutet, die durch das Wachstum von Sensoren für das Internet der Dinge (IoT) angetrieben werden. Aber, sagt Mike Loughran, CTO für Großbritannien und Irland bei Rockwell Automation , Daten allein sind kein nützliches Gut. Diese Daten benötigen Kontext- und Domänenexpertise, bevor sie analysiert werden, um wertvolle Geschäftseinblicke und Wert zu liefern.

Analytik und KI haben viele Branchen auf den Kopf gestellt, insbesondere den Verbraucherbereich. Heute sehen wir gezielte Werbe- und Social-Media-E-Commerce-Plattformen, die die Produkte, die wir kaufen möchten, vorhersagen können, und standortbasierte Apps können sogar Empfehlungen basierend auf Ihrem Standort abgeben. Das zugrunde liegende Thema dabei ist, dass Analysen datengesteuerte Entscheidungen ermöglichen, indem sie Erkenntnisse zum richtigen Zeitpunkt liefern.

Eindeutige Vorteile

Die natürliche Frage ist, wie die industrielle Fertigungsindustrie, die sich ganz vom Konsumbereich unterscheidet, diese Chance nutzt. Die Vorteile liegen auf der Hand. Im Durchschnitt streben Fertigungsunternehmen, die ihre Betriebsabläufe durch die Einführung digitaler Transformation und Analytik umgestalten, an, den Umsatz um bis zu 10 % zu steigern, die Betriebskosten um bis zu 12 % zu senken und die Anlageneffizienz um bis zu 30 % zu verbessern.

Andere digitale Technologien treiben dieses zweistellige Wachstum voran, aber wenn Hersteller versuchen, diese Technologien auf die Analytik anzuwenden, stoßen sie auf einige einzigartige Herausforderungen. Der Grund dafür ist, dass die Anwendung von Analytik im Fertigungskontext komplex ist. Sehr oft wird Analytics als schlüsselfertige Lösung positioniert, bei der Sie zuerst alle Daten zentral sammeln und dann einfach einen Algorithmus oder ein Modell anwenden, um das gelobte Land zu erreichen.

Nun, so einfach ist es nicht. Die meisten industriellen Analyse-Workloads sollten aufgrund der hohen Kosten für die Netzwerkbandbreite und der längeren Latenz wahrscheinlich nicht in der Cloud ausgeführt werden. Es ist sinnvoller, diese analytischen Modelle näher am Edge bereitzustellen, wo die Daten produziert werden. Es erfordert auch viel Arbeit, ein analytisches Modell für ein industrielles Umfeld zu trainieren. Um zu verstehen, dass wir etwas tiefer in die Welt der Industriedaten eintauchen müssen.

Hohe Datenmengen verwalten

Erstens müssen Hersteller zusammen mit Historiendaten ein bemerkenswert hohes Datenvolumen verwalten, das von Anlagensystemen in Echtzeit generiert wird. Die Ironie dabei ist, dass je nach Anwendungsfall nur ein Bruchteil dieser gewonnenen Daten relevant sein könnte. Sie müssen dann diese Daten aus unterschiedlichen Quellen integrieren, die möglicherweise unterschiedliche Protokolle verwenden.

Diese heterogenen Systeme können auch unterschiedliche Legacy-Technologien aufweisen, die die Konnektivität und Datenaggregation erschweren. Außerdem haben sie möglicherweise kein gemeinsames Datenmodell zwischen den Systemen, was die Beziehungen oder die Beziehung zwischen Datenpunkten ziemlich unklar macht.

Die Erkenntnisse müssen auch der relevanten Person oder dem System zur Verfügung gestellt werden, um innerhalb kurzer Zeit Maßnahmen zu ergreifen, um sie relevant zu machen. Schließlich erfordert die Anwendung von Analytik fundierte Kenntnisse der zugrunde liegenden industriellen Prozesse. Es ist normalerweise äußerst schwierig, die Data Science- und Prozessexpertise in einer Person zu finden.

Um erfolgreich zu sein, ist es entscheidend, einen Partner zu haben, der nicht nur sowohl die Herstellung als auch die Analytik versteht, sondern auch eine Lösung für Ihre Anwendungsfälle maßschneidern kann. Idealerweise muss dieser Partner über langjährige Erfahrung in der Fertigung verfügen und mit der Prozesshardware und der Betriebstechnologie sowie natürlich Ihren Geschäftszielen vertraut sein.

Vereinfachung von Data Science in der Praxis

Erforderlich sind Tools, die es den Steuerungs- und Prozessingenieuren ermöglichen, Analysen durchzuführen, ohne auf Datenwissenschaftler zurückgreifen zu müssen. Wir müssen die Praxis der Data Science vereinfachen. Wenn wir mit Kunden sprechen, die sich auf ihrer Reise zur digitalen Transformation befinden, gibt es zwei gemeinsame Anforderungen. Der erste ist der digitale Arbeiter und der zweite ist maschinelles Lernen.

Es gibt vier Schritte, die Unternehmen bei der Datenanalyse unternehmen müssen. Zunächst müssen sie die wichtigen betrieblichen Attribute identifizieren. Sie können dann fortfahren, logische Datenstrukturen aufzubauen. Wenn dies erreicht ist, können sie Praktiken zur Datenerfassung mit hoher Geschwindigkeit implementieren. Schließlich besteht die Notwendigkeit, Modelle in der gesamten Informationsschicht wiederzuverwenden, um mehr Effizienz und Geschwindigkeit zu erzielen. Ziel ist es, die Ergebnisse zu beschleunigen, indem Ingenieure mit Data-Science-Tools ausgestattet werden.

Wir versuchen, Automatisierungs- oder Steuerungsingenieuren die Übernahme einiger dieser datenwissenschaftlichen Aktivitäten zu erleichtern. Dies können wir in unserem ThingWorxs Analytics-Produkt tun, das die Daten verbraucht und einige der Schritte durchläuft, die Datenwissenschaftler durchlaufen müssten. Es bietet innovative Lösungsvorlagen, die die Datenwissenschaft in die Hände der Domänenexperten legen.

Es kann Tags durchsuchen, um zu korrelieren, welche für die optimale Vorhersage erforderlich sind. Von hundert oder sogar tausend können nur fünf eine große Wirkung haben. Es durchläuft dann automatisch das sogenannte automatische maschinelle Lernen, das bei der Auswahl des auszuführenden Algorithmus hilft, und beginnt sogar, eine Reihe von Szenarien zu durchlaufen, um auszuwählen, welcher Algorithmus oder welche Sammlung von Algorithmen die beste Leistung liefert.

Es ist diese Art von Vereinfachung, eines komplexen Prozesses, der es den Domänenexperten ermöglicht, den Wert, der in den gesammelten Daten steckt und das Zeitalter des Bürgerdatenwissenschaftlers einläutet, wirklich zu extrahieren.

Der Autor ist Mike Loughran CTO für Großbritannien und Irland bei Rockwell Automation .

Über den Autor

Mike Loughran ist CTO für Großbritannien und Irland bei Rockwell Automation, einem Anbieter von industrieller Automatisierung und Informationstechnologie. Er ist seit mehr als 14 Jahren im Unternehmen, nachdem er im Bereich Softwarevertrieb begonnen und die Leiter in die C-Suite-Position aufgestiegen ist, die er heute innehat.