Cómo la calidad de los datos hace que los proyectos de IoT sean más rentables

Se espera que el gasto mundial en tecnología en Internet de las cosas (IoT) alcance los $ 1,2 billones (€ 1 billón) en 2022, liderado por industrias como la fabricación discreta $ 119 mil millones (€ 108 mil millones), la fabricación de procesos $ 78 mil millones (€ 70,8 mil millones), transporte $ 71 mil millones (€ 64,5 mil millones) y servicios públicos $ 61 mil millones (€ 55,4 mil millones).

De hecho, se espera que el mercado de productos y servicios de la Industria 4.0 crezca significativamente en los próximos años, y se espera que más del 60% de los fabricantes estén completamente conectados para ese momento, utilizando un cambio de tecnologías como RFID, wearables y sistemas automatizados. , dice Ramya Ravichandar, vicepresidente de productos, FogHorn .

Aunque la industria anticipa un crecimiento positivo en los proyectos actuales y futuros de IoT e IIoT, aún deben abordarse algunos desafíos importantes para ganar la confianza del cliente y convertir los proyectos piloto en producciones exitosas de IoT a gran escala. Si bien muchos ven las limitaciones de conectividad, los riesgos de seguridad y el sesgo de los datos, incluida la cantidad de datos, problemas como obstáculos para el éxito de IoT, hemos descubierto que la calidad de los datos también juega un papel fundamental en la entrega de proyectos de IoT efectivos.

¿Qué es la calidad de los datos y cómo afecta al éxito de la implementación?

La calidad de los datos juega un papel vital en la creciente adopción de dispositivos IoT de tres formas principales:

1. Las organizaciones solo pueden tomar las decisiones correctas basadas en datos si los datos que utilizan son correctos y adecuados para el caso de uso en cuestión.
2. Los datos de mala calidad son prácticamente inútiles y pueden generar problemas graves, como modelos de aprendizaje automático inexactos, toma de decisiones inexacta o ROI deficiente.
3. Específicamente, los problemas clásicos de entrada / salida de basura resurgieron con el aumento de la inteligencia artificial y las aplicaciones de aprendizaje automático.

Alimenta, entrena y ajusta los modelos de aprendizaje automático (ML) de datos de alta calidad para permitir que las fábricas habilitadas para IoT tomen decisiones informadas basadas en datos.

Por ejemplo, la falla inesperada de una turbina de vapor puede crear una interrupción crítica, daños y pérdidas económicas tanto para la central eléctrica como para la red eléctrica aguas abajo. Los modelos de aprendizaje automático predictivo, entrenados en conjuntos de datos de alta calidad, ayudan a estas organizaciones industriales a maximizar la confiabilidad de sus equipos al detectar fallas potenciales antes de que surjan problemas importantes.

Sin embargo, los datos sucios, incluidos los datos que faltan, están incompletos o son propensos a errores, llevan a las organizaciones a cometer errores inconvenientes, lentos y costosos. De hecho, según The Data Warehouse Institute (TDWI), los datos sucios cuestan a las empresas estadounidenses alrededor de $ 600 mil millones (€ 545 mil millones) cada año. Es un hecho que aproximadamente el 80% del trabajo de un científico de datos se centra en la preparación y limpieza de datos para garantizar que los modelos de AA brinden la información correcta.

De cara al futuro, las organizaciones deben incorporar metodologías para garantizar la integridad, validez, coherencia y corrección de sus flujos de datos para mejorar la calidad de la información, implementar proyectos de IoT efectivos y lograr un ROI óptimo.

Entonces, ¿qué papel juega la informática de punta en la calidad de los datos?

Los sensores industriales vienen en muchos tipos diferentes y recopilan grandes volúmenes, variedades y velocidades de datos, incluidos video, audio, aceleración, vibración, acústica y más. Si una organización puede alinear, limpiar, enriquecer y fusionar con éxito todos estos diversos flujos de datos, puede mejorar significativamente la eficiencia, la salud y la seguridad de sus operaciones. Sin embargo, para pintar una imagen completa y precisa de las operaciones de la fábrica, las organizaciones deben recopilar, casar y procesar los conocimientos brutos entregados por estas fuentes de datos remotas y variadas.

La computación perimetral prospera en este tipo de entornos, ya que pueden recopilar y procesar datos en tiempo real desde su inicio, y luego crear una estructura dentro de los datos para ayudar a identificar el valor.

Las máquinas habilitadas para Edge ayudan a limpiar y formatear los datos sucios localmente, lo que mejora el entrenamiento y la implementación de modelos de aprendizaje automático precisos y efectivos. De hecho, los investigadores de la industria creen que los casos de uso basados ​​en el borde para IoT serán un poderoso catalizador para el crecimiento en los mercados verticales clave, y que los datos se procesarán (de alguna forma) mediante la computación en el borde en el 59% de las implementaciones de IoT para 2025.

Por ejemplo, utilizando la informática de punta, las fábricas pueden mejorar la calidad del producto al analizar los datos de los sensores en tiempo real para identificar cualquier valor que se salga de los umbrales previamente definidos, construir y entrenar un modelo de ML para identificar las causas del problema raíz y, si se desea, implementar el modelo ML para detener automáticamente la producción de piezas defectuosas.

Para estos casos de uso y otros similares, las soluciones habilitadas para el borde transforman los datos de la máquina en tiempo real (datos de baja calidad) en conocimientos procesables (datos de alta calidad) relacionados con la eficiencia de la producción y las métricas de calidad que los gerentes de operaciones pueden utilizar para reducir tiempo de inactividad no planificado, maximiza el rendimiento y aumenta la utilización de la máquina.

Muchas organizaciones están comenzando a comprender el valor que la computación perimetral puede aportar a sus proyectos de IoT e IIoT, a medida que las soluciones perimetrales convierten los datos sin procesar de los sensores en transmisión en información procesable mediante el procesamiento y análisis de datos en tiempo real. Al limpiar y enriquecer los datos sucios en el punto de su creación, la computación de borde puede mejorar significativamente la calidad de los datos y refinar los datos repetitivos de la máquina para lograr una mejor eficiencia operativa.

El autor es Ramya Ravichandar, vicepresidente de productos, FogHorn