Lo que viene para Industrial IoT y Sofisticado Analytics
Publicado: 2021-12-23
Marketplace 4. es, sin embargo, una evolución continua, con la Web de las cosas como elemento principal. La transformación digital en opciones industriales continúa ahora y se ha acelerado por la última pandemia. ¿Cómo es la búsqueda futura previsible para Industrial IoT y Superior Analytics? ¿Qué prioridades debería tener el C-Suite a medida que avanzamos en 2022 y más allá?
McKinsey cree que para 2020 el valor total capturado por IoT fue de $ 1,6 billones, y es probable que el mercado B2B se expanda a entre $ 3,4 y $ 8,1 billones para 2030. Esta evaluación revela que aún hay una perspectiva de precio significativa por entender en los próximos años. .
Para comprender este beneficio, existen algunos obstáculos y posibilidades que deben abordarse en los enfoques comerciales y digitales en el curso de los negocios. La base para el desarrollo se ha establecido con el rápido progreso de los componentes de IoT, junto con la capacidad de vender al por menor información significativa, con precios para ambos disminuyendo drásticamente durante décadas. Y el énfasis ahora está en cómo usamos esta información que se está obteniendo actualmente para hacer valer la pena.
1. Interoperabilidad de sistemas para recibir mayor conocimiento
Se ha demostrado que escalar la transformación electrónica es uno de los obstáculos más complicados que las empresas han enfrentado en el espacio de IoT. Muchos proyectos piloto no han sido equipados a escala, lo que restringe la tasa de adopción y la realización del valor. Una de las causas de esto es una barrera de métodos que ha sido creada por el uso de ecosistemas cerrados patentados, junto con la combinación de técnicas heredadas, combinación de diversas arquitecturas de detalles y lenguajes de sensores de IoT a medida. Para obtener beneficios de análisis sofisticados, es necesario adquirir y compartir datos relacionados con dispositivos, de modo que se puedan recopilar conocimientos en toda la organización. Para que esto se logre, las organizaciones deben necesitar la interoperabilidad de todas las adquisiciones futuras previsibles y una estrategia para ocuparse de las preocupaciones heredadas.
2. Configuración del almacenamiento de datos para análisis de vanguardia en el futuro previsible
El análisis superior, la inteligencia artificial y el control de dispositivos utilizan una gran cantidad de información, en su formato no estructurado sin procesar. Las empresas necesitan ajustar la forma en que capturan, almacenan y cuidan esta información. Para el análisis predictivo, la información de series temporales es crítica y, por lo tanto, las empresas deben enfocarse en hacer uso de los almacenes de datos en la nube y adoptar bases de datos gráficas para que puedan aprovechar al máximo la nueva tecnología de análisis altamente desarrollada disponible.
3. Analítica altamente desarrollada, una gran iniciativa empresarial
El valor se comprenderá cuando las empresas escalen y comiencen a usar análisis avanzados, como inteligencia artificial y descubrimiento de máquinas durante sus funciones. En lugar de pequeñas aplicaciones piloto o prohibir el uso de las respuestas a grupos internos de ciencias de la información, las empresas deben comenzar a configurar análisis de última generación para ser utilizados en el grupo. La democratización de los datos tiene lugar cuando las personas de la organización comienzan a revisar los datos para respaldar sus posiciones laborales diarias. McKinsey estima que "la mayor oportunidad para la creación de valor está en la optimización de las operaciones de fabricación, haciendo que la gestión diaria de trabajo de los bienes y las personas sea mucho más exitosa".
4. Masterización de máquina sin código y MLOps
La automatización de Superior Analytics es la gran oportunidad futura para las corporaciones industriales. Las tecnologías han avanzado y la comprensión de dispositivos sin código (ML) ahora está siendo implementada por organizaciones de todo el mundo. El ML sin código permite que los gurús y operadores de la materia marquen la diferencia para desarrollar rápidamente tipos de sus activos u operaciones sin ninguna experiencia en codificación o programación. Los diseños se implementan instantáneamente, se estudian a partir de datos históricos y en vivo y brindan información vital para ayudar al personal a mejorar las operaciones. Estamos considerando que esto se utilice para el mantenimiento predictivo y el monitoreo de la situación en tiempo real. ML Ops es el software de pruebas integradas continuas y despliegue continuo a través de la automatización para proporcionar diseños de datos actualizados y escalables para industrializar el descubrimiento de equipos. Es a través de la industrialización de la comprensión de dispositivos que las automatizaciones de modelo se pueden colocar en el lugar, lo que ayuda con la escalabilidad de los análisis innovadores en el negocio.
5. Habilitación de operaciones remotas y automáticas
El cambio a funciones operativas y centralizadas remotas ha impulsado mejoras como el control remoto y mayores automatizaciones en muchas opciones. Estas innovaciones ayudarán a minimizar los gastos de funcionamiento, los riesgos de seguridad para el personal y permitirán saber más el valor que puede generar IoT. El potencial para vigilar de forma remota y adquirir alertas cuando se pronostica productividad, falla o error mejora la eficiencia de los equipos. El análisis avanzado presenta un resultado fundamental en la evaluación que garantiza que el personal y las áreas correctos se designen al sitio web, junto con información que permite a los operadores sacar conclusiones informadas, como ajustes en los procedimientos o equipos utilizados para garantizar que la pérdida de productividad no sea experto.
6. Cumplimiento y reducción de emisiones
Las organizaciones de toda la industria están estableciendo objetivos de emisiones, la próxima etapa es asegurarse de que cumplan con estos objetivos. IoT y el análisis avanzado pueden ayudar a las corporaciones a determinar las líneas de base exactas para centrarse en el medio ambiente y pueden vigilar el uso continuo. Se pueden descubrir áreas de considerable utilización de energía junto con oportunidades de mejora. Auto ML se puede aplicar para pronosticar picos de uso de energía eléctrica para respaldar el almacenamiento de energía eléctrica y la minimización del despilfarro.
7. Análisis holístico de la empresa
La fusión de datos y análisis de última generación en toda la empresa ofrece la posibilidad de mejorar las previsiones, los informes y el cumplimiento. Los datos se pueden utilizar para impulsar tácticas de avance, optimización y diversificación. Los conocimientos se pueden utilizar para mejorar los procedimientos y, posiblemente, pueden respaldar el intercambio de conocimientos entre divisiones únicas y modelos de la empresa.
El riesgo de valor de cada situación de uso de IoT y análisis superior puede diferir considerablemente. Y entonces, el objetivo principal para capturar todo el valor alcanzable es integrar la innovación dentro de la organización total desde el C-Suite hacia abajo. La transformación digital ya no se encuentra en la división de TI o el grupo de innovación. Para que se considere el valor auténtico, debe estar incrustado en la existencia de la empresa.
El problema es escalar, y hacerlo a un ritmo rápido para que el valor se pueda comprender rápidamente. Esto, a su vez, ayudará a alterar las culturas internas, las técnicas y las metodologías. El impulso aumentará a medida que los pilotos se conviertan en lanzamientos y se creen avances que reduzcan los cuellos de botella, aumenten la precisión de la toma de decisiones y, en general, mejoren los resultados de la corporación.
Trevor Bloch, fundador y director general del equipo, VROC AI