Cyfrowa transformacja dzieje się na naszych oczach. Aby dotrzymać kroku konkurencji, coraz więcej firm produkcyjnych stosuje nowoczesne technologie i odchodzi od tradycyjnego podejścia na rzecz koncepcji Przemysłu 4.0 z wykorzystaniem Przemysłowego Internetu Rzeczy (IIoT). Równocześnie obserwujemy gwałtowny wzrost zainteresowania sztuczną inteligencją (AI), a wykorzystanie analityki w celu optymalizacji wydajności zakładów produkcyjnych staje się naturalnym rozwiązaniem. Jednak według ostatnich raportów firmy Gartner 85% projektów AI nie przynosi oczekiwanej wartości. Mimo wielu powodów, które mogą prowadzić do porażki, firmy przemysłowe mogą zwiększyć szanse na sukces, przygotowując swoje przedsiębiorstwa do nieuniknionego przejścia w kierunku organizacji opartej na danych, dzięki wdrożeniu analityki przemysłowej.

porządkowanie i agregacja danych - wdrożenie analityki przemysłowej

Agregacja i porządkowanie danych

Bez uporządkowanych danych wysokiej jakości nie ma analityki, ot co. Ten fakt jest jednym z najważniejszych czynników decydujących o sukcesie projektu AI i niestety często nie przywiązuje się do niego należytej wagi.

Największym wyzwaniem w dzisiejszych czasach nie jest brak technicznej możliwości przechwytywania danych ze starszego sprzętu znajdującego się na hali produkcyjnej (dzięki platformom IIoT i setkom gotowych do użycia sterowników i złączy, takich jak Kepware, które pozwalają na łatwe zbieranie danych z dosłownie każdego urządzenia przemysłowego), lecz fakt, że informacje są dystrybuowane pomiędzy wieloma systemami IT, fizycznymi lokalizacjami, o różnym poziomie jakości i z różną częstotliwością.

Można by rzec, że rozwiązaniem jest hurtownia danych (Data Warehouse), i jest to rzeczywiście stwierdzenie po części zasadne. Hurtownia danych zostały wprowadzone wiele lat temu jako ewolucja klasycznych RDMBS (relacyjnych systemów zarządzania bazą danych) w celu przechowywania i przetwarzania ogromnych ilości informacji (Big Data) w określonym celu. I to jest właśnie powód, dla którego klasyczne hurtownie danych zazwyczaj nie są tak użyteczne w przypadku AI – zawierają one już przetworzone dane, podczas gdy proces inżynierii funkcji (ekstrakcja istotnych informacji w celu dalszej analizy i obliczeń uczenia maszynowego) wymaga surowych danych.

Odpowiedź na to wyzwanie – jeziora danych (Data Lakes) – została opracowana kilka lat temu i została z powodzeniem zastosowana przez największych dostawców usług w chmurze. Cel tego rozwiązania jest prosty: zapewnienie łatwo dostępnego i łatwo edytowalnego miejsca do przechowywania surowych danych, które mogą być wykorzystane do dalszego przetwarzania. Warto wspomnieć, że nowoczesne podejście, nazywane czasem Data Lakehouse, umożliwia dodatkowo zarządzanie i modyfikowanie danych, co ostatecznie łączy elastyczność Data Lakes i transakcje ACID klasycznych hurtowni danych (dobrym przykładem technologii, która obecnie zyskuje popularność w tej dziedzinie, jest Snowflake).

Określenie racjonalnych i mierzalnych celów wdrażając analitykę przemysłową

Określenie racjonalnych i mierzalnych celów wdrażając analitykę przemysłową

Dopiero po ostatecznym zebraniu i zapisaniu danych przychodzi czas na odkrycie biznesowego przypadku użycia. Nie oznacza to, że przedsiębiorstwa przemysłowe nie powinny wcześniej myśleć o swoich bolączkach – wręcz przeciwnie – ale ich uwaga powinna być skupiona bardziej wokół wymiernych wartości biznesowych, a nie konkretnego fragmentu procesu produkcyjnego, który chciałyby zoptymalizować.

Bardzo często zdarza się, że wysokie oczekiwania co do wskaźnika ROI w zakresie analityki (zwłaszcza AI), wynikają ze sposobu myślenia kadry kierowniczej wysokiego szczebla, ale prawda jest okrutna – analityka nie jest czarodziejską różdżką, ponadto przed podjęciem próby rozwiązania zdefiniowanego problemu biznesowego nie ma się całkowitej pewności, że w ogóle da się go rozwiązać.

Dlatego też odpowiednia analiza procesu biznesowego i wybór odpowiedniego, a zarazem opłacalnego podejścia i przypadku użycia jest kluczowym krokiem do sukcesu każdego projektu z zakresu analityki przemysłowej.

Lepsze zrozumienie procesów biznesowych

Na szczęście istnieją narzędzia i rozwiązania, które mogą pomóc w lepszym zrozumieniu procesów biznesowych, zapewniając wgląd bezpośrednio w dane zbierane przez firmy i pomagają w udanym wdrożeniu analityki przemysłowej. Powszechnie określa się te narzędzia jako Business Intelligence (BI).

Siłą Business Intelligence jest z pewnością zdolność do wizualizacji Big Data w bardzo czytelny i przystępny sposób, zazwyczaj w formie zaawansowanych raportów, które prezentują szerokie spektrum biznesowych wskaźników KPI. W świecie przemysłowym BI może być wykorzystywany do agregacji danych OT (pochodzących z produkcji) z danymi IT (takimi jak ERP, PLM, CRM, HR, WMS i inne), co otwiera szereg możliwości wnoszenia wartości do biznesu i podejmowania lepszych decyzji, w tym wyboru najbardziej obiecujących przypadków użycia AI.

BI jest obecnie bardzo niedocenianą gałęzią analityki w sektorze przemysłowym, przede wszystkim dlatego, że firmy produkcyjne nadal boją się wychodzić poza swoje środowiska lokalne i wykorzystywać chmurę, podczas gdy zastosowanie rozwiązania Business Intelligence (np. PowerBI) jest prawie niemożliwe (i co ważniejsze – nieopłacalne), gdy dane nie są gromadzone w chmurze.

Zacznij od małych rzeczy, popełniaj błędy, myśl perspektywicznie

Innym czynnikiem jest metodologia wdrażania analityki przemysłowej, która zazwyczaj nie jest właściwie zdefiniowana i zastosowana. W przypadku AI trudno jest przewidzieć przyszłość (co jest osobliwym stwierdzeniem ze względu na fakt, że AI jest często wykorzystywana do prognozowania kolejnych zdarzeń). Klasyczne podejście do rozwoju oprogramowania IT (wykorzystanie metodyk zwinnych Agile) zwykle prowadziło do eskalacji przy wdrażaniu analityki przemysłowej lub nawet jego przerwania z powodu braku oczekiwanych rezultatów – dlatego przed rozpoczęciem projektu niezbędne jest dokładne określenie kamieni milowych, jak również poinformowanie przedsiębiorstw przemysłowych – przed podjęciem decyzji o inwestycji w analitykę – o tym, co je potencjalnie czeka.

Po wybraniu przypadku biznesowego, którym należy się zająć, najlepszym podejściem jest skupienie wysiłków na wdrożeniu PoV (Proof of Value), który jest formą studium wykonalności. Nie musi to być koniecznie najnowocześniejszy model uczenia maszynowego, który prześcignie inne, lecz taki, który dostarczy wiedzy, jasności i pewności, że dany kierunek nadaje się do dalszej eksploracji. Jeśli PoV nie wykaże dowodów wartości – co nie jest rzadkością – firmy mogą zdecydować, czy chcą zbadać przyczyny niepowodzenia i zająć się nimi (może należy zainstalować więcej czujników na linii produkcyjnej, zebrać więcej danych, zwiększyć częstotliwość itd.), czy raczej zrobić krok do tyłu, zaakceptować brak sukcesu i wybrać inny obiecujący przypadek wdrożenia, który ostatecznie może przynieść korzyści firmie.

Kiedy projekt PoV zakończy się sukcesem, można zaprojektować, opracować i wdrożyć oprogramowanie gotowe do produkcji w fabryce pilotażowej z zamiarem rozszerzenia go na całą organizację, ale najważniejsze jest to, że te częste niepowodzenia na wczesnych etapach projektu nie mogą być traktowane jako porażki, lecz raczej jako kroki niezbędne do osiągnięcia końcowego sukcesu.

Lepsze zrozumienie procesów biznesowych

Bądź organizacją opartą na danych dzięki wdrożeniu analityki przemysłowej

Gdy firma dostrzeże wartość, jaka płynie z pierwszego projektu analitycznego (czy to BI, czy AI), nie będzie już odwrotu. Coraz więcej obszarów przedsiębiorstw ulega cyfryzacji, kolejne źródła danych są agregowane i kontekstualizowane, dzięki czemu możliwe jest podejmowanie lepszych, bardziej świadomych i dojrzalszych decyzji. Kwestią czasu jest pojawienie się w każdej firmie produkcyjnej analityki na porządku dziennym. Firma musi jedynie być na tyle dojrzała, aby móc się w odpowiedni sposób dostosować do tego inspirującego trendu.

Im szybciej sektor przemysłowy przestawi się na wykorzystywanie mocy, która kryje się pod tonami informacji już zgromadzonych na jego własnym podwórku i przekształci się w prawdziwą organizację opartą na danych, tym szybciej procesy produkcyjne zostaną zoptymalizowane, a fabryki w krótkim czasie staną się bardziej przyjazne dla środowiska.

 

Najważniejsze wnioski – udane wdrożenie analityki przemysłowej:

  1. Zbieraj i przechowuj dobrej jakości dane z OT/IT w chmurze (Data Lake) za pomocą Internetu Rzeczy (IoT)
  2. Zdefiniuj mierzalny i realistyczny cel, który chcesz osiągnąć dzięki AI
  3. Wykorzystuj BI w celu zapewnienia natychmiastowej wartości w procesie podejmowania decyzji biznesowych
  4. Dostosuj metodologię prowadzenia projektów, aby sprostać unikalnym cechom wdrażania analityki przemysłowej
  5. Zaufaj swoim danym i nie bój się opierać swoich decyzji biznesowych na zebranych informacjach

Bez wahania możesz się z nami skontaktować, jeśli chcesz jeszcze lepiej wykorzystywać potencjał swojego przedsiębiorstwa.

How useful was this post?

Click on a star to rate it!

Average rating 0 / 5. Vote count: 0

No votes so far! Be the first to rate this post.

W przypadku naruszenia Regulaminu Twój wpis zostanie usunięty.
Votre nom et prénom

_Zostańmy w kontakcie

Skontaktuj się