Poner la ciencia de datos en manos de expertos en el dominio para brindar información más valiosa

Las tecnologías emergentes como la analítica avanzada y la inteligencia artificial (IA) están transformando el sector manufacturero. El piso de la fábrica está inundado de datos impulsados ​​por el crecimiento de los sensores de Internet de las cosas (IoT). Pero, dice Mike Loughran, director de tecnología para el Reino Unido e Irlanda en Rockwell Automation , los datos por sí solos no son un bien útil. Estos datos necesitan que se les aplique el contexto y la experiencia en el dominio antes de analizarlos para brindar información valiosa y valor comercial.

La analítica y la inteligencia artificial han revolucionado muchas industrias, especialmente el espacio del consumidor. Hoy vemos plataformas de comercio electrónico de redes sociales y publicidad dirigida que pueden predecir los productos que queremos comprar, y las aplicaciones basadas en la ubicación pueden incluso hacer recomendaciones según el lugar donde se encuentre. El tema subyacente aquí es que la analítica permite tomar decisiones basadas en datos al sacar a la luz conocimientos en el momento adecuado.

Ventajas claras

La pregunta natural es cómo la industria de fabricación industrial, que es bastante diferente del espacio del consumidor, capitaliza esta oportunidad. Los beneficios son evidentes. En promedio, las organizaciones de fabricación que se están embarcando en la transformación de sus operaciones mediante la adopción de la transformación digital y el análisis tienen como objetivo aumentar los ingresos hasta en un 10%, disminuir los costos operativos hasta en un 12% y mejorar la eficiencia de los activos hasta en un 30%.

Otras tecnologías digitales están impulsando este tipo de crecimiento de dos dígitos, pero cuando los fabricantes intentan aplicar estas tecnologías a la analítica, se encuentran con algunos desafíos únicos. La razón de esto es que la aplicación de la analítica en el contexto de la fabricación es compleja. Muy a menudo, la analítica se posiciona como una solución llave en mano en la que primero recopila todos los datos de forma centralizada y luego simplemente aplica un algoritmo o modelo para llegar a la tierra prometida.

Bueno, no es tan simple. La mayoría de las cargas de trabajo analíticas industriales probablemente no deberían ejecutarse en la nube, debido a los altos costos de ancho de banda de la red y la mayor latencia. Tiene más sentido implementar esos modelos analíticos más cerca del borde, donde se producen los datos. También se necesita mucho trabajo para entrenar un modelo analítico para un entorno industrial. Para entender que necesitamos profundizar un poco más en el mundo de los datos industriales.

Gestión de grandes volúmenes de datos

En primer lugar, los fabricantes deben gestionar un volumen notablemente alto de datos que generan los sistemas de la planta en tiempo real, junto con los datos del historial. La ironía es que, según el caso de uso, solo una fracción de los datos extraídos podría ser relevante. Luego deben integrar estos datos de fuentes dispares que podrían estar usando diferentes protocolos.

Estos sistemas heterogéneos también pueden tener diferentes tecnologías heredadas que pueden dificultar la conectividad y la agregación de datos. Además, es posible que no tengan un modelo de datos común entre los sistemas, lo que hace que las relaciones, o la relación entre los puntos de datos, sean poco claras.

Los conocimientos también deben entregarse a la persona pertinente o al sistema para impulsar la acción en un plazo breve para que sea relevante. Por último, la aplicación de la analítica requiere un conocimiento profundo de los procesos industriales subyacentes. Por lo general, es extremadamente difícil encontrar la ciencia de datos y la experiencia en procesos en la misma persona.

Para tener éxito, es fundamental contar con un socio que no solo pueda comprender tanto la fabricación como la analítica, sino que también pueda adaptar una solución a sus casos de uso. Idealmente, este socio debe tener una sólida herencia en la fabricación y estar familiarizado con el hardware de proceso y la tecnología de operación y, por supuesto, sus objetivos comerciales.

Simplificación de la ciencia de datos en la práctica

Lo que se requiere son herramientas que permitan a los ingenieros de procesos y control realizar análisis sin recurrir a científicos de datos. Necesitamos simplificar la práctica de la ciencia de datos. Cuando hablamos con clientes que se encuentran en su viaje de transformación digital, existen dos requisitos comunes. El primero es el trabajador digital y el segundo es el aprendizaje automático.

Hay cuatro pasos que las empresas deben seguir con el análisis de datos. Primero, deben identificar los atributos operativos importantes. Luego pueden pasar a establecer estructuras de datos lógicas. Con esto logrado, pueden implementar prácticas para capturar datos a alta velocidad. Por último, existe la necesidad de reutilizar modelos en toda la capa de información para lograr una mayor eficiencia y velocidad. El objetivo es acelerar los resultados equipando a los ingenieros con herramientas de ciencia de datos.

Estamos tratando de facilitar que los ingenieros de automatización o control asuman algunas de esas actividades de ciencia de datos. Esto lo podemos hacer en nuestro producto ThingWorxs Analytics que consume los datos y sigue algunos de esos pasos por los que tendrían que pasar los científicos de datos. Proporciona plantillas de soluciones innovadoras que ponen la ciencia de datos en manos de los expertos en el dominio.

Puede examinar las etiquetas para correlacionar las que se requieren para una predicción óptima. De un centenar, o incluso de un millar, puede que solo haya cinco que puedan tener un gran impacto. Luego pasa automáticamente por lo que se llama aprendizaje automático automático, que ayuda a elegir qué algoritmo ejecutar, e incluso comienza a ejecutar una serie de escenarios para elegir qué algoritmo o colección de algoritmos da el mejor resultado.

Es ese tipo de simplificación, de lo que es un proceso complejo, lo que permitirá a los expertos del dominio extraer realmente el valor que está encerrado en los datos recopilados y anunciar la era del científico de datos ciudadano.

El autor es Mike Loughran CTO para el Reino Unido e Irlanda en Rockwell Automation .

Sobre el autor

Mike Loughran es CTO para el Reino Unido e Irlanda en Rockwell Automation, un proveedor de automatización industrial y tecnología de la información. Lleva más de 14 años en la empresa, comenzó en el área de ventas de software y ascendió hasta el puesto de C-suite que ahora ocupa.