'Inteligencia artificial de las cosas', el análisis perimetral crea armonía en Gebhardt

El IoT y la IA son tendencias tecnológicas separadas que están causando sensación en la industria. El IoT puede conectar dispositivos entre sí, dando y recibiendo señales como un sistema nervioso. Por el contrario, la IA puede actuar como un cerebro, utilizando datos para tomar decisiones informadas que controlan el sistema en general. Cuando se unen, los dos son capaces de ofrecer sistemas de conexión inteligentes que pueden autocorregirse y autocurarse a sí mismos, formando lo que llamamos la Inteligencia Artificial de las Cosas (AIoT).

Las tecnologías IoT convencionales, como la computación en la nube y la comunicación de máquina a máquina (M2M), han permitido a los fabricantes completar tres tareas clave:conectar máquinas, almacenar datos y hacer que esos datos sean significativos. Ahora, con la introducción de AIoT, pueden beneficiarse de una cuarta capacidad:actuar.

Sin embargo, para que AIoT sea factible, los fabricantes necesitan un sistema de gestión de datos que pueda respaldar una toma de decisiones rápida. Si bien el almacenamiento en la nube es posible, el análisis de datos más cerca de su origen (en el perímetro) lleva a AIoT al siguiente nivel.

Producción optimizada

Para desbloquear el poder de la IA, las decisiones deben tomarse con la menor latencia posible. Si el sistema de IA recibe una alerta de que hay una falla en la máquina, o si la velocidad o el patrón de movimiento de una máquina deben modificarse para operaciones más productivas, puede actuar sobre esta información de inmediato y detener o alterar la producción. Al integrar el sistema de inteligencia artificial en el perímetro, en lugar de la nube, los fabricantes pueden desbloquear el valor de la latencia ultrabaja, lo que permite que las máquinas se apaguen lo más rápido posible y menos productos dañados o defectuosos.

Para integrar AIoT en el borde, los líderes de la industria primero deben construir un modelo de IA fuera de línea. Luego deben entrenar el modelo utilizando conjuntos de datos previamente almacenados hasta que cumpla con los requisitos antes de exportarlo y aplicarlo en línea con nuevos datos en vivo.

Sin embargo, aplicar el modelo a datos en tiempo real en un escenario en línea es muy diferente a probarlo en datos almacenados que ya se ordenaron en la etapa de entrenamiento. Los datos en tiempo real no se han filtrado ni categorizado, y cada conjunto puede llegar en momentos diferentes, creando un caos de información para AIoT.

Ingrese al análisis perimetral

Para que los datos tengan sentido, deben procesarse antes de que AIoT pueda utilizarlos. Ahí es donde entran en juego los análisis perimetrales. Por ejemplo, Crosser Platform es una plataforma de software de bajo código para análisis de transmisión, automatización e integración para cualquier perímetro, local o en la nube. El objetivo es eliminar la complejidad, simplificar el desarrollo y permitir que los no programadores innoven más rápido con un costo total de propiedad drásticamente más bajo.

Un sistema como Crosser Platform puede ayudar a preparar los datos de varias maneras antes de que lleguen al AIoT. Por ejemplo, puede armonizar datos de la amplia variedad de máquinas en la planta de producción, que pueden estar en diferentes formatos ya que han viajado desde múltiples fuentes.

La plataforma agrega datos de diferentes fuentes y formatos a intervalos regulares. Además, si las fuentes de datos tienen diferentes tasas de muestreo, la plataforma puede completar valores intermedios para que los modelos se puedan actualizar con nuevos datos de todos los sensores en cada actualización. También puede crear diferentes tipos de ventanas sobre datos de series temporales.

La plataforma también se puede utilizar para la extracción de características. Según el modelo que se utilice, es posible que sea necesario crear características adicionales a partir de los datos sin procesar. Esto podría ser, por ejemplo, tomar datos de vibración y convertirlos del dominio del tiempo al dominio de la frecuencia. Todos estos pasos optimizan los datos antes de que lleguen al AIoT.

El ejemplo de Gebhardt

Así es como la plataforma de Crosser permitió al fabricante de soluciones de automatización de almacenes Gebhardt Intralogistics Group, Sinsheim, Alemania, implementar una estrategia AIoT. Gebhardt produce lanzaderas inteligentes para mover contenedores rápidamente por un almacén. Estaba buscando una solución de detección de anomalías para identificar fallas operativas causadas por vibraciones en el transbordador para minimizar los costos de mantenimiento.

Con Flow Studio de Crosser, Gebhardt pudo procesar, armonizar y filtrar datos en tiempo real en el perímetro y luego usar IA para aprender de los datos recopilados con el fin de implementar mantenimiento predictivo para aumentar la disponibilidad de la máquina y prolongar la vida útil de los activos.

Es cierto que la inteligencia artificial tiene un gran poder, pero otras tecnologías de apoyo pueden ayudar a descubrir todo su potencial. Los líderes de la industria que integran AIoT en el perímetro pueden aprovechar los beneficios de un sistema de control eficiente y reactivo, que optimiza los procesos rápidamente.