Co nadchodzi w zakresie Przemysłowego Internetu Rzeczy i Zaawansowanej Analizy
Opublikowany: 2021-12-23
Marketplace 4. to jednak ciągła ewolucja, której głównym elementem jest sieć rzeczy. Cyfrowa transformacja w opcjach przemysłowych trwa teraz i została przyspieszona przez ostatnią pandemię. Jak w przewidywalnej przyszłości będzie wyglądać poszukiwanie Przemysłowego IoT i Superior Analytics? Jakie priorytety powinien mieć C-Suite w roku 2022 i w przeszłości?
McKinsey uważa, że do 2020 r. całkowita wartość przechwycona przez IoT wyniosła 1,6 bln USD, a rynek B2B prawdopodobnie wzrośnie do 3,4–8,1 bln USD do 2030 r. Ta ocena pokazuje, że w nadchodzących latach nadal istnieje znacząca perspektywa cenowa .
Aby zrozumieć tę korzyść, należy stawić czoła pewnym przeszkodom i możliwościom, które należy rozwiązać w ramach podejścia biznesowego i cyfrowego w trakcie prowadzenia działalności. Podstawa rozwoju została ustanowiona szybkim postępem komponentów IoT, wraz z możliwością sprzedaży detalicznej istotnych informacji, przy czym ceny obu tych elementów drastycznie spadły w ciągu dziesięcioleci. Nacisk kładzie się teraz na to, w jaki sposób wykorzystujemy te informacje, które są obecnie uzyskiwane, aby uzyskać wartość.
1. Interoperacyjność systemów w celu uzyskania większej wiedzy
Skalowanie transformacji elektronicznej okazało się jedną z najbardziej skomplikowanych przeszkód, jakie napotykają przedsiębiorstwa w przestrzeni IoT. Wiele projektów pilotażowych nie zostało przystosowanych do skalowania, co ogranicza tempo przyjęcia i realizację wartości. Jedną ze szczególnych przyczyn tego stanu rzeczy jest bariera metod, która została wytworzona przez zastosowanie zastrzeżonych zamkniętych ekosystemów, wraz z połączeniem starszych technik, mieszanką różnych architektur detali i dostosowanych do potrzeb języków czujników IoT. Aby uzyskać korzyści z zaawansowanych analiz, należy zebrać i udostępnić informacje dotyczące urządzeń, aby można było gromadzić informacje w całej organizacji. Aby to osiągnąć, organizacje muszą potrzebować interoperacyjności ze wszystkimi przewidywalnymi przyszłymi zamówieniami oraz strategii, która pozwoli zająć się problemami związanymi ze spuścizną.
2. Konfigurowanie przechowywania danych dla przewidywalnej przyszłej najnowocześniejszej analizy
Doskonała analityka, sztuczna inteligencja i mastering urządzeń wykorzystują ogromne ilości informacji w ich nieprzetworzonym, nieustrukturyzowanym formacie. Firmy chcą dostosować sposób przechwytywania, przechowywania i dbania o te szczegóły. W przypadku analizy predykcyjnej informacje szeregów czasowych mają kluczowe znaczenie, dlatego firmy powinny podejść do przejścia na korzystanie z hurtowni danych w chmurze i objąć wykresowe bazy danych, aby mogły w pełni wykorzystać nową, wysoko rozwiniętą wiedzę analityczną.
3. Wysoko rozwinięta analityka, inicjatywa dla całego przedsiębiorstwa
Wartość zostanie zrozumiana, gdy firmy będą skalować i zacząć korzystać z zaawansowanych analiz, takich jak inteligencja syntetyczna i wykrywanie maszyn w trakcie swoich funkcji. W pewnym stopniu niż małe aplikacje pilotażowe lub zakaz korzystania z odpowiedzi dla wewnętrznych grup naukowych zajmujących się wiedzą, firmy muszą zacząć przygotowywać się do najnowocześniejszych analiz, które będą wykorzystywane w ramach grupy. Demokratyzacja danych ma miejsce, gdy ludzie w organizacji zaczynają przeglądać dane w celu wsparcia ich codziennych stanowisk pracy. McKinsey szacuje, że „największą szansą na tworzenie wartości jest optymalizacja operacji produkcyjnych – zapewnienie dużo większego sukcesu w codziennym zarządzaniu dobytkiem i ludźmi”.
4. Mastering maszynowy bez kodu i MLOps
Automatyzacja Superior Analytics to przyszła znacząca szansa dla korporacji przemysłowych. Technologie są zaawansowane, a rozumienie urządzeń bez kodu (ML) jest obecnie wdrażane przez organizacje na całym świecie. No-code ML pozwala guru i operatorom na szybkie opracowywanie typów ich aktywów lub operacji pozbawionych jakiejkolwiek wiedzy z zakresu kodowania lub programowania. Projekty są natychmiast wdrażane, studiując na podstawie wiedzy i wiedzy historycznej oraz dostarczają istotnych informacji, które pomogą usprawnić operacje osobiste. Przyglądamy się, jak można to wykorzystać do konserwacji predykcyjnej i monitorowania sytuacji w czasie rzeczywistym. ML Ops to oprogramowanie do ciągłego, zintegrowanego testowania i ciągłego wdrażania w drodze automatyzacji w celu dostarczania, skalowalnych i aktualnych projektów informacji w celu uprzemysłowienia wyszukiwania sprzętu. To dzięki uprzemysłowieniu zrozumienia urządzeń, automatyzacja modeli może być umieszczona na miejscu, pomagając w skalowalności innowacyjnych analiz w trakcie prowadzenia działalności.
5. Włączanie operacji zdalnych i automatycznych
Przejście na zdalne sterowanie i scentralizowane funkcje spowodowało ulepszenia, takie jak zdalne sprawdzanie i większa automatyzacja w wielu opcjach. Te innowacje pomogą zminimalizować wydatki bieżące, zagrożenia bezpieczeństwa dla personelu i pozwolą lepiej poznać wartość, jaką może wytworzyć IoT. Możliwość zdalnego obserwowania i otrzymywania alertów w przypadku przewidywanej produktywności, awarii lub błędu poprawia wydajność zespołów. Zaawansowana analityka przedstawia główny wynik w ocenie, gwarantujący, że odpowiedni personel i obszary są określane na stronie internetowej, wraz ze spostrzeżeniami, które pozwalają operatorom na wyciąganie świadomych wniosków, takich jak korekty w stosowanych procedurach lub sprzęcie, aby upewnić się, że utrata produktywności nie jest bywały.
6. Zgodność i redukcja emisji
Organizacje ogólnobranżowe ustalają cele emisji, nadchodzącym etapem jest upewnienie się, że są one zgodne z tymi celami. IoT i zaawansowana analityka mogą pomóc korporacjom w określeniu dokładnych punktów odniesienia dla skupienia się na środowisku i monitorować bieżące użytkowanie. Obszary znacznego wykorzystania energii można odkryć wraz z możliwościami poprawy szans. Auto ML można zastosować do prognozowania skoków zużycia energii elektrycznej, aby wspomóc magazynowanie energii elektrycznej i minimalizację marnotrawstwa.
7. Holistyczna analiza firmy
Połączenie danych i najnowocześniejszych analiz w całej firmie zapewnia perspektywę ulepszonego prognozowania, raportowania i zgodności. Dane mogą być wykorzystywane do taktyk forsowania postępów, optymalizacji i dywersyfikacji. Spostrzeżenia można wykorzystać do udoskonalenia procedur i ewentualnie wesprzeć dzielenie się zrozumieniem między unikalnymi oddziałami i modelami firmy.
Ryzyko wartości w każdej sytuacji użytkowania Internetu Rzeczy i lepszej analityki może się znacznie różnić. A zatem głównym celem uchwycenia całej możliwej do osiągnięcia wartości jest osadzenie innowacji w całej organizacji od poziomu zarządu w dół. Cyfrowa transformacja nie jest już dłużej w dziale IT czy grupie innowacji. Aby uznać wartość autentyczną, chce być osadzona w istnieniu firmy.
Problem polega na skalowaniu i robieniu tego w szybkim tempie, aby można było szybko zrozumieć wartość. To z kolei pomoże w zmianie wewnętrznych kultur, technik i metodologii. Momentum ulegnie zwiększeniu, gdy piloci przejdą na wdrożenia i powstaną postępy, które zmniejszą wąskie gardła, zwiększą precyzję dokonywania wyborów i ogólnie poprawią wyniki korporacji.
Trevor Bloch, założyciel i dyrektor generalny zespołu, VROC AI