Was kommt für Industrial IoT und anspruchsvolle Analytik?
Veröffentlicht: 2021-12-23
Marktplatz 4. ist dennoch eine kontinuierliche Evolution, in deren Mittelpunkt das Web der Dinge steht. Die digitale Transformation bei industriellen Optionen setzt sich jetzt fort und wurde durch die jüngste Pandemie beschleunigt. Wie sieht die absehbare Zukunft der Suche nach Industrial IoT und Superior Analytics aus? Welche Prioritäten sollte die C-Suite im Jahr 2022 und darüber hinaus haben?
McKinsey geht davon aus, dass der Gesamtwert des IoT bis 2020 1,6 Billionen US-Dollar betragen hat, wobei der B2B-Marktplatz bis 2030 voraussichtlich auf 3,4 bis 8,1 Billionen US-Dollar anwachsen wird. Diese Einschätzung zeigt, dass in den kommenden Jahren weiterhin erhebliche Preisaussichten zu verstehen sind .
Um diesen Nutzen zu verstehen, gibt es einige Hürden und Möglichkeiten, die im Geschäftsleben und bei digitalen Ansätzen im Geschäftsverlauf angegangen werden müssen. Die Grundlage für die Entwicklung wurde mit dem schnellen Fortschritt von IoT-Komponenten gelegt, zusammen mit der Möglichkeit, wichtige Informationen im Einzelhandel zu verkaufen, wobei die Preise für beide im Laufe der Jahrzehnte drastisch gesunken sind. Und die Betonung liegt jetzt darauf, wie wir diese Informationen, die wir gerade erhalten, nutzen, um etwas zu verdienen.
1. Interoperabilität von Systemen, um mehr Wissen zu erlangen
Die Skalierung der elektronischen Transformation hat sich als eine der kompliziertesten Hürden erwiesen, die Unternehmen im IoT-Bereich erlebt haben. Viele Pilotprojekte wurden nicht für die Skalierung ausgestattet, was die Akzeptanzrate und die Wertrealisierung einschränkt. Einer der Gründe dafür ist eine Methodenbarriere, die durch die Verwendung proprietärer geschlossener Ökosysteme zusammen mit der Kombination von Legacy-Techniken, einer Mischung aus verschiedenen Detailarchitekturen und maßgeschneiderten IoT-Sensorsprachen entstanden ist. Um von ausgefeilten Analysen profitieren zu können, müssen Fakten mithilfe von Geräten erfasst und geteilt werden, damit Erkenntnisse im gesamten Unternehmen gesammelt werden können. Um dies zu erreichen, müssen Unternehmen Interoperabilität bei allen vorhersehbaren zukünftigen Beschaffungen und eine Strategie zum Umgang mit Altlasten benötigen.
2. Einrichtung der Datenspeicherung für absehbare zukünftige State-of-the-Art-Analysen
Überlegene Analysen, künstliche Intelligenz und Geräte-Mastering verwenden riesige Informationen in ihrem ungekochten, unstrukturierten Format. Unternehmen möchten die Art und Weise anpassen, wie sie diese Details erfassen, speichern und verwalten. Für prädiktive Analysen sind Zeitreiheninformationen von entscheidender Bedeutung. Daher sollten Unternehmen den Übergang zur Nutzung von Cloud-Datenspeichern angehen und Graphdatenbanken nutzen, damit sie das Beste aus dem neuen hochentwickelten Analyse-Know-how machen können.
3. Hochentwickelte Analytik eine unternehmensweite Initiative
Der Wert wird verstanden, wenn Unternehmen skalieren und beginnen, im Laufe ihrer Arbeit überlegene Analysen wie synthetische Intelligenz und maschinelle Erkennung zu verwenden. Abgesehen von kleinen Pilotanwendungen oder dem Verbot der Verwendung der Antworten für interne Wissensforschungsgruppen müssen Unternehmen damit beginnen, hochmoderne Analysen einzurichten, die während der Gruppe verwendet werden. Datendemokratisierung findet statt, wenn Menschen heute in der Organisation beginnen, Daten zu überprüfen, um ihre täglichen Positionen zu informieren. McKinsey schätzt, dass „die größte Chance zur Wertschöpfung in der Optimierung der Fertigungsabläufe liegt – wodurch die tägliche Verwaltung von Eigentum und Menschen viel erfolgreicher wird“.
4. Maschinenmastering ohne Code und MLOps
Die Automatisierung von Superior Analytics ist die große Zukunftschance für Industrieunternehmen. Die Technologien sind fortgeschritten und No-Code Device Understanding (ML) wird derzeit von Organisationen auf der ganzen Welt eingesetzt. No-Code ML ermöglicht Gurus und Betreibern, dass Materie einen Unterschied macht, schnell Arten ihrer Assets oder Operationen zu entwickeln, ohne jegliche Programmier- oder Programmierkenntnisse. Die Entwürfe werden sofort eingesetzt, studieren aus Wohn- und historischem Wissen und geben wichtige Einblicke, um dem Personal zu helfen, den Betrieb zu verbessern. Wir sehen uns an, wie dies für vorausschauende Wartung und Echtzeit-Situationsüberwachung genutzt werden kann. ML Ops ist die Software für kontinuierliches integriertes Testen und kontinuierliche Bereitstellung durch Automatisierung, um skalierbare und aktuelle Informationsdesigns bereitzustellen, um die Geräteerkennung zu industrialisieren. Durch die Industrialisierung des Geräteverständnisses können Modellautomatisierungen an Ort und Stelle platziert werden, was die Skalierbarkeit innovativer Analysen während des Geschäfts unterstützt.
5. Aktivieren von Remote- und automatischen Operationen
Der Wechsel zu ferngesteuerten und zentralisierten Funktionen hat Verbesserungen wie ferngesteuerte Überprüfungen und größere Automatisierungen bei vielen Optionen vorangetrieben. Diese Innovationen werden dazu beitragen, Betriebskosten und Sicherheitsrisiken für das Personal zu minimieren und den Wert des IoT besser kennen zu lernen. Die Möglichkeit, aus der Ferne ein Auge darauf zu haben und Warnungen zu erhalten, wenn Produktivität, Ausfall oder Fehler vorhergesagt werden, verbessert die Effizienz für Teams. Die fortschrittliche Analyse liefert grundlegende Ergebnisse bei der Bewertung, die garantieren, dass die richtigen Mitarbeiter und Bereiche der Website zugeordnet sind, sowie Erkenntnisse, die es den Betreibern ermöglichen, fundierte Schlussfolgerungen zu ziehen, wie z kenntnisreich.
6. Einhaltung und Reduzierung von Emissionen
Branchenweite Organisationen legen Emissionsziele fest, die bevorstehende Phase stellt sicher, dass sie diese Ziele einhalten. IoT und fortschrittliche Analysen können Unternehmen dabei helfen, genaue Ausgangswerte für den Fokus auf die Umwelt festzulegen und die laufende Nutzung im Auge zu behalten. Bereiche mit beträchtlicher Energienutzung können zusammen mit Möglichkeiten zur Verbesserung der Möglichkeiten entdeckt werden. Auto ML kann angewendet werden, um Stromverbrauchsspitzen zu prognostizieren, um die Speicherung von elektrischer Energie und die Minimierung von Verschwendung zu unterstützen.
7. Ganzheitliche Unternehmensanalyse
Die Zusammenführung von Daten und hochmodernen Analysen im gesamten Unternehmen bietet die Aussicht auf verbesserte Prognosen, Berichte und Compliance. Daten können verwendet werden, um Taktiken für Fortschritt, Optimierung und Diversifizierung voranzutreiben. Erkenntnisse können genutzt werden, um Verfahren zu verbessern, und möglicherweise dabei helfen, den Austausch zwischen einzelnen Abteilungen und Unternehmensmodellen zu verstehen.
Das Wertrisiko aus jeder Nutzungssituation von IoT und überlegener Analytik kann sich erheblich unterscheiden. Das oberste Ziel, um den gesamten erreichbaren Wert zu erfassen, besteht also darin, die Innovation von der C-Suite abwärts in die gesamte Organisation einzubetten. Die digitale Transformation sitzt nicht länger in der IT-Division oder Innovationsgruppe. Damit der authentische Wert betrachtet wird, muss er in die Existenz des Unternehmens eingebettet sein.
Das Problem besteht darin, zu skalieren, und zwar schnell, damit der Wert schnell verstanden werden kann. Dies wird wiederum dabei helfen, innere Kulturen, Techniken und Methoden zu verändern. Die Dynamik wird zunehmen, wenn Piloten zu Roll-Outs wechseln und Weiterentwicklungen geschaffen werden, die Engpässe reduzieren, die Präzision der Entscheidungsfindung steigern und die Ergebnisse des Unternehmens insgesamt steigern.
Trevor Bloch, Gründer und Team-CEO, VROC AI