Wraz z rozwojem Internetu rzeczy i pozyskaniem dostępu do nieograniczonej liczby danych pojawia się kluczowe pytanie: jak najlepiej wykorzystać otrzymywane informacje oraz jaką rolę zajmuje w IIoT analityka danych?
Mimo, że firmy coraz częściej zdają sobie sprawę z ogromnych ilości danych generowanych przez maszyny przemysłowe oraz korzyści płynących z ich odpowiedniej analizy to jednocześnie nadal zauważa się ich niewielkie, procentowe wykorzystanie.
Według przewidywań Instytutu Gartnera nawet 90% pozyskiwanych danych może być bezużyteczna, ponieważ przedsiębiorstwa nie wiedzą, w jaki sposób odpowiednio i efektywnie je analizować. Może to mieć poważne konsekwencje szczególnie dla branż, w których otrzymywanie danych i reagowanie na nie w czasie rzeczywistym jest kluczowe dla ich poprawnego funkcjonowania.
Real-time analytics
Real-time analytics jest dyscypliną, bazującą na logice i matematyce, która stwarza możliwość odpowiadania na potrzeby analityczne w czasie rzeczywistym. Dzięki otrzymywaniu informacji na bieżąco możemy je interpretować i od razu odpowiednio na nie reagować. Dzięki rozwiązaniom IoT dane dostępne są natychmiastowo, a system działający w oparciu o chmurę stwarza możliwość dostępu do aktualnych informacji i raportów z dowolnego miejsca na świecie.
Systemy analityczne, stosowane w przemyśle, dostarczają użytkownikowi istotnych komunikatów o stanie maszyny lub całej linii technologicznej. Jednocześnie Przemysł 4.0 coraz częściej stawia na analizę predykcyjną, bazującą na dużej ilości danych gromadzonych w sposób ciągły oraz zaawansowanych metodach ich przetwarzania. Dzięki niej zakłady przemysłowe są w stanie monitorować pracę maszyn w czasie rzeczywistym, 24 godziny na dobę i wykrywać nieprawidłowości w oparciu o automatycznie wyuczony profil pracy. W ten sposób są w stanie diagnozować sytuacje awaryjne, a w efekcie unikać nieplanowanych przestojów oraz utrzymać ciągłość działania i obniżyć koszty – wyjaśnia Artur Hanc, prezes firmy ELMODIS.
Cloud i edge computing
Dzięki przeniesieniu danych i ich analityki do chmury obliczeniowej (cloud computing) możliwe jest korzystanie z wirtualnego środowiska, będącego tańszą alternatywą dla lokalnych systemów informatycznych. Firma analityczna Markets&Markets przewiduje, że rynek analityki danych w chmurze wzrośnie w ciągu 5 lat trzykrotnie i w 2020 roku osiągnie wartość ponad 23 mld dolarów.
Przetwarzanie danych w chmurze ma jednak swoje wady, wśród których eksperci wskazują m.in. ryzyko opóźnień w otrzymaniu wniosków z analizy czy problemy z bezpieczeństwem danych wrażliwych. Dlatego duży potencjał upatrują też w rynku edge computing, czyli rynku analityki brzegowej, którego podstawową funkcją jest płynna integracja urządzeń brzegowych i chmury obliczeniowej oraz dwukierunkowa wymiana informacji. Rozwiązanie to stwarza możliwość analizowania danych kluczowych z punktu widzenia firmy w czasie rzeczywistym, bez potrzeby przesyłania ich do serwera centralnego. Na “krawędzi sieci” odbywa się też ich segregacja, polegająca na podejmowaniu decyzji, które dane warto magazynować, a które są na tyle mało istotne, że nie będzie potrzeby analizowania i wykorzystywania ich w przyszłości. W chmurach obliczeniowych magazynowane są natomiast dane mniej wrażliwe lub o niższym priorytecie, często zagregowane do postaci wskaźników statystycznych. Zgodnie z prognozami przy rocznej stopie wzrostu wynoszącej ponad 35%, wartość rynku edge computing zwiększy się z 1,47 mld w 2017 do 6,72 mld w 2022 roku.
Analityka hybrydowa + analityka sieci powiązań
Wzrasta również popularność koncepcji hybrydowych rozwiązań analitycznych, która stanowi połączenie środowisk prywatnych i publicznych. Analityka hybrydowa nie bazuje na jednej metodzie, ale wykorzystuje jednocześnie wiele różnych metod analitycznych, by w ten sposób przewidzieć potencjalne ryzyko i w rezultacie zwiększyć wydajność maszyn przemysłowych. By osiągnąć ten cel wykorzystuje się analizę sieci powiązań (Social Network Analysis), co w praktyce oznacza umiejętność analizy danych, pochodzących z różnych źródeł.
W przemyśle analiza hybrydowa przez wielu uznawana jest za optymalne rozwiązanie, zapewniające niezawodność funkcjonowania silników i ciągłość pracy całych obiektów. W tym wypadku termin hybrid analytics jest używany do określenia kombinacji nadzorowanego i nienadzorowanego uczenia maszynowego, co pozwala maksymalizować obie metody bez opierania się wyłącznie na jednej lub drugiej. Nie ma analityki hybrydowej bez nadzorcy, czyli analityka danych. Choć wraz z rozwojem Przemysłu 4.0 pojawiały się pytania, czy rozwój nowoczesnych technologii oznacza koniec nadzoru nad analityką danych to specjaliści od big data są obecnie jednym z najbardziej poszukiwanych pracowników na rynku.
