La gestión de datos impulsa el aprendizaje automático y la inteligencia artificial en IIOT

Asista a cualquier conferencia, seminario web o hable con analistas en el espacio de fabricación y dos de las palabras de moda más importantes que escuchará son "aprendizaje automático" e "inteligencia artificial" (IA). Aquí en Cisco, también estamos explorando e invirtiendo en estas áreas y estamos impulsando activamente el aprendizaje automático y la inteligencia artificial en nuestra cartera.

A menudo, los dos términos se malinterpretan. SAS, uno de nuestros socios globales, creó recientemente un excelente video sobre la diferencia entre los dos:

Como se indica en el video:

• AI es la ciencia de las máquinas y las computadoras que emulan a los humanos
• El aprendizaje automático es un método detrás de cómo las máquinas aprenden de los datos

Entonces, ¿por qué son importantes estos temas y por qué hay tanta expectación en torno a estas áreas relacionadas con el futuro de la fabricación? Actualmente, vemos la fabricación en la era de la Industria 4.0 / Fabricación inteligente. Esta evolución técnica se ha discutido extensamente en este blog, pero para resumir rápidamente de la Guía definitiva para la fabricación, vemos tres áreas fundamentales críticas para los fabricantes en este viaje.

1. Hiperaconciencia:una capacidad organizativa para reconocer conocimientos en tiempo real y tendencias futuras. Un componente fundamental de la hiperconciencia es la capacidad de ver de primera mano cómo se utilizan los productos y servicios en la práctica.
2. Toma de decisiones informada:la capacidad de analizar activamente la información que llega a través de la hipersensibilidad y garantizar que llegue a quienes más la necesitan.
3. Ejecución rápida:las decisiones informadas deben convertirse en acciones (mantenimiento predictivo cuando una máquina del piso de la planta muestra signos tempranos de fatiga, por ejemplo).

El aprendizaje automático y la inteligencia artificial son extensiones naturales de estas capacidades fundamentales.

Según IDC:

IDC ha señalado que esta tendencia en IA seguirá creciendo, “logrando una tasa de crecimiento anual compuesta del 54,4% hasta 2020, cuando los ingresos superen los 46.000 millones de dólares. ¹

La base del aprendizaje automático y la inteligencia artificial

La pieza fundamental tanto del aprendizaje automático como de la IA son los datos. Los datos alimentarán estas plataformas para ayudar a mejorar todas las facetas de la fabricación y, en última instancia, captar un retorno de la inversión (ROI) cada vez mayor. Por ejemplo, en un escenario de mantenimiento predictivo simplificado, la máquina y su sistema de control de supervisión deben poder correlacionar su rendimiento óptimo y reconocer cuando hay desviaciones de la línea de base. Tiene que considerar múltiples fuentes de datos, correlacionar, analizar y luego tomar una decisión. Demasiada información puede dominar la analítica y ralentizar las cosas; muy poca información y la máquina no obtendrá el valor para optimizar y mejorar de manera inteligente. El aprendizaje automático y la inteligencia artificial también podrían transformar aplicaciones en áreas como la optimización de la cadena de suministro, la investigación y el desarrollo y la introducción de nuevos productos, como solo algunos ejemplos.

Ahora considere que una fábrica puede producir 1000 TB de datos por día, con más de 10,000 sensores que capturan más de 12,000 variables de maquinaria nueva y heredada. Esos factores interrelacionados son muchos a considerar y significan que los fabricantes no solo deben considerar la conectividad a los datos, sino que también deben decidir dónde deben ir esos datos, con qué frecuencia enviarlos y cómo usarlos. Esta dinámica de datos sienta las bases como combustible para el aprendizaje automático y la inteligencia artificial.

Algunas áreas de administración de datos a considerar que respaldan la inteligencia artificial y el aprendizaje automático:

• Frecuencia:considere la frecuencia con la que los datos agregan valor a la empresa y utilícelos solo con esa frecuencia. Las extracciones de datos innecesarias pueden provocar una sobrecarga de información. Agregar aplicaciones en la nube para computación también puede crear escenarios donde los datos no segmentados agregan costos innecesarios, gastos generales y afectan los presupuestos operativos.
• Priorización:priorice los datos críticos sobre los datos no críticos para garantizar la integridad de la red y ayudar a garantizar que la información valiosa llegue al destino apropiado.
• Procesamiento:los modelos informáticos tradicionales envían los datos al centro de datos central o a la nube para su análisis. Sin embargo, esto no es práctico en muchos escenarios de fabricación. A menudo, el aprendizaje automático y la inteligencia artificial en los datos de fabricación requieren análisis en tiempo real. Los arquitectos de redes deben considerar una solución híbrida de computación de borde y computación de datos centralizada para respaldar el aprendizaje automático y las iniciativas de inteligencia artificial.
• Orquestación:la afluencia de datos aumenta la importancia de mapear cómo el aprendizaje automático y las plataformas de inteligencia artificial reciben esos datos y cómo los consumen. Es esencial implementar un control y conocimiento consistentes de los datos, incluido cuándo se reciben, cómo se entregan y por qué se enviaron.
• Seguridad:la integridad de la producción es fundamental, pero la conexión de múltiples fuentes de datos puede introducir nuevas vulnerabilidades de seguridad. Si bien el aprendizaje automático y la inteligencia artificial pueden generar enormes beneficios comerciales, una brecha de seguridad puede crear riesgos de privacidad y datos que pueden amenazar la reputación de una empresa y la confianza del cliente. Por otro lado, el aprendizaje automático también puede ayudar a reforzar la seguridad como un medio para detectar anomalías.

Para ayudar a los fabricantes a construir una base para el aprendizaje automático y la inteligencia artificial, desarrollamos una guía para la gestión de datos en la fabricación digital. La guía proporciona las mejores prácticas en torno a la gestión de datos y las consideraciones para determinar qué arquitectura de carga de trabajo es la adecuada para usted al considerar su hoja de ruta tecnológica. También incluye estudios de casos esenciales, así como recursos que pueden ayudarlo a cambiar a este nuevo modelo de datos.

1. Fuente:IDC FutureScape:Worldwide Manufacturing 2018 Predictions, doc # DC # US42126117, octubre de 2017,