Realizzare il potenziale dell'IoT con l'intelligenza artificiale e l'apprendimento automatico

I Transform Technology Summit iniziano il 13 ottobre con Low-Code/No Code: Enabling Enterprise Agility. Iscriviti ora!

La chiave per ottenere più valore dall'Internet of Things industriale (IIoT) e dalle piattaforme IoT è ottenere i carichi di lavoro di intelligenza artificiale e machine learning (ML) corretti. Nonostante l'enorme quantità di dati IoT acquisiti, le organizzazioni non raggiungono i propri obiettivi di gestione delle prestazioni aziendali perché l'intelligenza artificiale e il machine learning non si adattano alle sfide in tempo reale che le organizzazioni devono affrontare. Se risolvi la sfida della scalabilità del carico di lavoro di AI e ML fin dall'inizio, le piattaforme IIoT e IoT possono mantenere la promessa di migliorare le prestazioni operative.

Superare le sfide di crescita dell'IoT

Sempre più organizzazioni stanno perseguendo iniziative edge basate sull'intelligenza artificiale per trasformare più rapidamente la produzione in tempo reale dell'IoT e i dati di monitoraggio dei processi in risultati. Le aziende che adottano l'IIoT e l'IoT stanno affrontando la sfida di spostare l'enorme quantità di dati integrati in un data center o una piattaforma cloud centralizzata per l'analisi e ricavare raccomandazioni utilizzando modelli di intelligenza artificiale e ML. La combinazione di costi più elevati per data center ampliato o cloud storage, limitazioni di larghezza di banda e maggiori requisiti di privacy stanno rendendo le implementazioni edge basate su AI una delle strategie più comuni per superare le sfide di crescita dell'IoT.

Per utilizzare IIoT e IoT per migliorare le prestazioni operative, le aziende devono affrontare le seguenti sfide:

• I dispositivi endpoint IIoT e IoT devono andare oltre il monitoraggio in tempo reale per fornire intelligenza contestuale come parte di una rete. La linea di fondo è che le reti IIoT / IoT basate sull'intelligenza artificiale saranno lo standard de facto nei settori che si affidano alla visibilità, alla velocità e alla rotazione delle scorte della catena di approvvigionamento entro tre anni o meno. Sulla base delle discussioni che VentureBeat ha avuto con CIO e leader IT nei servizi finanziari, nella logistica e nella produzione, l'IA edge è la pietra angolare dei loro piani di implementazione IoT e IIoT. I team IT e operativi aziendali desiderano endpoint più contestualmente intelligenti per migliorare la visibilità end-to-end sulle reti basate su sensori IoT in tempo reale. I piani di sviluppo includono che i sistemi edge basati sull'intelligenza artificiale forniscano consigli sul miglioramento delle prestazioni in tempo reale sulla base dei risultati del modello ML.
• La modellazione AI e ML deve essere fondamentale per un'architettura IIoT/IoT, non un componente aggiuntivo. Il tentativo di applicare la modellazione AI e ML a qualsiasi rete IIoT o IoT fornisce risultati marginali rispetto a quando è progettata nel nucleo dell'architettura. L'obiettivo è supportare l'elaborazione del modello in più fasi di un'architettura IIoT/IoT riducendo il throughput e la latenza della rete. Le organizzazioni che hanno raggiunto questo obiettivo nelle loro architetture IIoT/IoT affermano che i loro endpoint sono i più sicuri. Possono adottare un approccio di accesso con privilegi minimi che fa parte del loro framework Zero Trust Security.
• I dispositivi IIoT/IoT devono essere sufficientemente adattivi nella progettazione per supportare gli aggiornamenti degli algoritmi. La propagazione degli algoritmi su una rete IIoT/IoT a livello di dispositivo è essenziale affinché un'intera rete raggiunga e mantenga la sincronizzazione in tempo reale. Tuttavia, l'aggiornamento dei dispositivi IIoT/IoT con algoritmi è problematico, soprattutto per i dispositivi legacy e le reti che li supportano. È essenziale superare questa sfida in qualsiasi rete IIoT/IoT perché gli algoritmi sono fondamentali per il successo dell'IA come strategia. Oggi nei reparti di produzione di tutto il mondo sono in uso milioni di controllori logici programmabili (PLC) che supportano algoritmi di controllo e logica ladder. La logica di controllo statistico del processo (SPC) incorporata nei dispositivi IIoT fornisce dati di processo e di prodotto in tempo reale fondamentali per il successo della gestione della qualità. L'IIoT viene attivamente adottato per la manutenzione e il monitoraggio delle macchine, data l'accuratezza dei sensori nel rilevare suoni, variazioni e qualsiasi variazione nelle prestazioni di processo di una determinata macchina. In definitiva, l'obiettivo è prevedere meglio i tempi di fermo macchina e prolungare la vita di una risorsa. Lo studio di McKinsey Smartening up with Artificial Intelligence (AI) – Cosa c'è dentro per la Germania e il suo settore industriale? hanno scoperto che i dati basati sull'IIoT combinati con l'intelligenza artificiale e il machine learning possono aumentare la disponibilità dei macchinari di oltre il 20%. Lo studio McKinsey ha inoltre rilevato che i costi di ispezione possono essere ridotti fino al 25% e i costi di manutenzione annuale ridotti complessivamente fino al 10%. Il grafico seguente è tratto dallo studio:

Sopra: l'utilizzo di sensori IIoT per monitorare le scorte e le vibrazioni delle apparecchiature di produzione è un caso d'uso leader che combina il monitoraggio in tempo reale e gli algoritmi ML per estendere la vita utile dei macchinari, garantendo nel contempo che i programmi di manutenzione siano accurati.

• Le piattaforme IIoT/IoT con un focus di mercato unico e differenziato stanno ottenendo l'adozione più rapidamente. Affinché una determinata piattaforma IIoT/IoT acquisisca scalabilità, ciascuna deve specializzarsi in un determinato mercato verticale e fornire le applicazioni e gli strumenti per misurare, analizzare ed eseguire operazioni complesse. Una quantità eccessiva di fornitori di piattaforme IoT focalizzati orizzontalmente si affida a partner per la profondità richiesta dai mercati verticali quando il futuro della crescita dell'IIoT/IoT soddisfa le esigenze sfumate di un mercato specifico. È una sfida per la maggior parte dei fornitori di piattaforme IoT realizzare una maggiore verticalizzazione del mercato, poiché le loro piattaforme sono costruite per esigenze di mercato ampie e orizzontali. Un'eccezione degna di nota è Honeywell Forge, con la sua profonda esperienza in edifici (commerciali e al dettaglio), produzione industriale, scienze della vita, soluzioni per i lavoratori connessi e gestione delle prestazioni aziendali. L'acquisizione da parte di Ivanti Wavelink di una piattaforma IIoT dal suo partner tecnologico e di canale WIIO Group è più tipica. Il ritmo di tali fusioni, acquisizioni e joint venture aumenterà nella tecnologia, nelle piattaforme e nei sistemi dei sensori IIoT/IoT, dati i guadagni in termini di entrate e le riduzioni dei costi che le aziende stanno ottenendo oggi in un ampio spettro di settori.
• Il trasferimento delle conoscenze deve avvenire su larga scala. Man mano che i lavoratori vanno in pensione mentre le organizzazioni abbandonano il modello tradizionale dell'apprendista, il trasferimento delle conoscenze diventa una priorità strategica. L'obiettivo è dotare l'ultima generazione di lavoratori di dispositivi mobili sufficientemente intelligenti dal punto di vista contestuale da fornire dati in tempo reale sulle condizioni attuali, fornendo al contempo intelligenza contestuale e conoscenza storica. Gli addetti alla manutenzione attuali e futuri che non hanno decenni di esperienza e competenze sfumate su come riparare i macchinari potranno fare affidamento su sistemi basati su AI e ML che indicizzano le conoscenze acquisite e possono fornire una risposta alle loro domande in pochi secondi. È fondamentale combinare le conoscenze acquisite dai lavoratori in pensione con le tecniche di AI e ML per rispondere alle domande dei lavoratori attuali e futuri. L'obiettivo è contestualizzare le conoscenze dei lavoratori che vanno in pensione in modo che i lavoratori in prima linea possano ottenere le risposte di cui hanno bisogno per operare, riparare e lavorare su attrezzature e sistemi.

In che modo i dati IIoT/IoT possono aumentare le prestazioni

Secondo lo studio IoT Signals Edition 2 di Microsoft, il 90% dei decisori aziendali ritiene che l'IoT sia fondamentale per il loro successo. Il sondaggio di Microsoft ha inoltre rilevato che il 79% delle aziende che adottano l'IoT vede l'AI come un componente centrale o secondario della propria strategia. La manutenzione prescrittiva, il miglioramento dell'esperienza utente e la manutenzione predittiva sono i tre principali motivi per cui le aziende stanno integrando l'IA nei loro piani e strategie IIoT/IoT.

Sopra: lo studio IoT Signals Edition 2 di Microsoft esplora l'intelligenza artificiale, i gemelli digitali, l'edge computing e l'adozione della tecnologia IIoT/IoT nell'azienda.

Sulla base di un'analisi dei casi d'uso forniti nello studio Microsoft IoT Signals Edition 2 e delle conversazioni che VentureBeat ha avuto con i leader di produzione, supply chain e logistica, le seguenti raccomandazioni possono migliorare le prestazioni IIOT/IoT:

• I casi aziendali che includono guadagni di entrate e riduzioni dei costi vincono più spesso. I leader di produzione che cercano di migliorare il tracciamento e la tracciabilità lungo le loro catene di approvvigionamento utilizzando l'IIoT hanno scoperto che le stime di riduzione dei costi non erano sufficienti per convincere i loro consigli di amministrazione a investire. Quando il business case ha mostrato come una maggiore comprensione abbia accelerato la rotazione delle scorte, migliorato il flusso di cassa, liberato il capitale circolante o attratto nuovi clienti, i finanziamenti per i progetti pilota non hanno incontrato la stessa resistenza di quando è stata proposta la sola riduzione dei costi. Più reti IIoT/IoT forniscono la piattaforma dati per supportare report e analisi in tempo reale della gestione delle prestazioni aziendali, più è probabile che vengano approvate.
• Progetta oggi architetture IIoT/IoT per l'espansione dei dispositivi edge AI in futuro. Il futuro delle reti IIoT/IoT sarà dominato da dispositivi endpoint in grado di modificare gli algoritmi applicando al tempo stesso l'accesso con privilegi minimi. La crescente intelligenza dei sensori e i miglioramenti del monitoraggio dei processi in tempo reale li stanno rendendo un vettore di minacce primario sulle reti. La progettazione in microsegmentazione e l'applicazione dell'accesso meno privilegiato al singolo sensore vengono oggi raggiunti in tutti i siti di produzione intelligente.
• Pianifica ora modelli di AI e ML che possono essere scalati dalla contabilità e dalla finanza dalle operazioni. Il leader di un progetto IIoT manifatturiero ha affermato che la capacità di interpretare ciò che sta accadendo da una prospettiva di fabbrica sui dati finanziari in tempo reale ha venduto il senior management e il consiglio di amministrazione del progetto. Sapere come i compromessi sui fornitori, la selezione dei macchinari e le assegnazioni del personale influiscono sui tassi di rendimento e sui guadagni di produttività sono fondamentali. Un vantaggio è che tutti in officina sanno se hanno raggiunto i loro numeri per la giornata o meno. Fare compromessi immediati sull'analisi della qualità del prodotto aiuta ad alleviare le variazioni nei costi effettivi su ogni progetto, grazie ai dati IIoT.
• Progettazione a supporto dell'addestramento di modelli ML a livello di algoritmo del dispositivo fin dall'inizio. Più un dato dispositivo può essere indipendente dal punto di vista dell'intelligenza contestuale, inclusa la messa a punto dei suoi modelli ML, più preziose saranno le intuizioni che fornirà. L'obiettivo è sapere come e dove correggere la rotta in un dato processo basato sull'analisi dei dati in tempo reale. Gli algoritmi a livello di dispositivo stanno mostrando il potenziale per fornire la cura e la contestualizzazione dei dati oggi. I sensori dei veicoli autonomi addestrano continuamente i modelli ML, utilizzando un ampio spettro di dati incluso il radar per interpretare le condizioni stradali, gli ostacoli e la presenza o assenza di un conducente. Il seguente grafico tratto dallo studio di McKinsey Smartening up with Artificial Intelligence (AI) – What is in it for Germany and its Industrial Sector? spiega come questi principi si applicano ai veicoli autonomi.

Sopra: la dipendenza dei veicoli autonomi su un ampio spettro di dati e modelli ML per interpretare e fornire una guida prescrittiva assomiglia alle sfide delle aziende nel mantenere le operazioni in pista.

I dati IoT in tempo reale contengono le informazioni necessarie per il successo delle iniziative di trasformazione digitale. Tuttavia, le architetture e le piattaforme tecniche legacy limitano il valore dei dati IoT non ridimensionando per supportare ambienti di modellazione AI e ML, carichi di lavoro e applicazioni su larga scala. Di conseguenza, le organizzazioni che accumulano enormi quantità di dati IoT, in particolare i produttori, hanno bisogno di una piattaforma IoT creata appositamente per supportare nuovi modelli di business digitali.

VentureBeat

La missione di VentureBeat è quella di essere una piazza cittadina digitale per i responsabili delle decisioni tecniche per acquisire conoscenze sulla tecnologia trasformativa e sulle transazioni.

Il nostro sito fornisce informazioni essenziali sulle tecnologie e sulle strategie dei dati per guidarti nella guida delle tue organizzazioni. Ti invitiamo a diventare un membro della nostra community, per accedere a:

• informazioni aggiornate sugli argomenti di tuo interesse
• le nostre newsletter
• contenuti gated leader di pensiero e accesso scontato ai nostri eventi preziosi, come Trasforma 2021: Per saperne di più
• funzioni di rete e altro

Diventare socio