В IIoT аналитика физических систем является ключом к обеспечению рентабельности инвестиций.
автор: Майлз Махони
Если бы классический фильм «Выпускник» был написан сегодня, вместо «пластика» как ключ к будущему успеху наш молодой главный герой услышал бы одно слово: «сенсоры». Стало очевидным, что датчики скоро будут в центре всего, а бизнес-аналитика займется анализом их данных. Возможно. Новые технологии, безусловно, могут быть замечательными, но очень важно иметь глубокое понимание своей отрасли. За последние два десятилетия были сделаны значительные инвестиции в датчики и аналитику, которые обещают чистые и действенные данные, относящиеся к конкретным бизнес-процессам. Экосистема датчиков далека от однородного рыночного пространства, что объясняет значительную путаницу со стороны авторитетных источников в технических документах, конференциях и сообщениях в блогах. Горизонтальные и вертикальные игры смешиваются вместе, а IoT добавляет еще один слой путаницы. Кроме того, мы должны различать IoT, IoT, IoT и IIoT.
Разные отрасли, разная экономика
Рассмотрим конкретный пример: рынок химической обработки и производства использует сложные датчики с конца 80-х годов. Неоднократно предпринимались попытки применить один и тот же подход к разведке и добыче нефти и газа, не задумываясь о том, подходит ли он для данного контекста. Добыча нефти и газа имеет совсем другую кривую доходности, связанную с ее активами, чем химические и производственные предприятия. Кривая добычи и добычи резко снижается, а это означает, что капиталовложения и операционная модель, которые обычно основаны на аренде-операционных расходах (LOE), должны оставаться на низком уровне. Компании, которые вложили миллионы долларов в системы SCADA для мониторинга активов, пытаясь следовать подходу «Химия и производство», получили очень небольшую сравнительную отдачу из-за кривых падения, связанных со скважинами. Активы SCADA торчат, как больной палец, поскольку цена за баррель нефтяного эквивалента (БНЭ) со временем падает.
Другой подход ведет к успеху
Это побудило некоторые организации попробовать другой подход. Мы поговорили с компанией среднего размера, которая разработала прототип решения для машинного обучения совместно с опытным полевым персоналом и передовыми инженерами, чтобы улучшить время безотказной работы, предсказать проблемы с техническим обслуживанием и увеличить пропускную способность для области клиента с электрическими погружными насосами (ESP). Результаты прототипа изменили способ эксплуатации ЭЦН, снизив затраты и значительно увеличив добычу каждой скважины за счет оптимизации рабочих параметров с использованием существующих систем управления. Поставщик смог установить цену на основе стоимости ESP вместо стандартной лицензионной сделки. Их клиент перестал развлекать новых поставщиков аналитики новейшими интерактивными графиками, чтобы сосредоточиться на поддержке своих существующих систем, которые теперь получали более интеллектуальную информацию, основанную на прогностических моделях, разработанных экспертами по предметным вопросам. [Примечание. Это решение поставщика было предоставлено OspreyData — и, если честно, я вхожу в совет директоров].
Почему другие компании, работающие в сфере Интернета вещей, не объединили данные датчиков с машинным обучением и существующим человеческим опытом в условиях экономического кризиса? Модель LOE соответствует их целевым отраслям? Причина в том, что изощренность в сборе данных и науке о данных, а также применение этой информации в науке о промышленных данных сегодня невероятно слабы на рынке. Эти отсутствующие технологии — то, что необходимо для процветания Интернета вещей и особенно промышленного Интернета вещей. Все беззаботно говорят о рынке IIoT стоимостью 30 или даже 40 миллиардов долларов к 2020 году, но без решения новой парадигмы то, о чем мы на самом деле говорим, может быть не более чем маркетинговой шумихой и преувеличениями, а не прибыльной реальностью.
Переход от SCADA и BI к Physical Systems Intelligence
Уже существует огромный спрос на интеллект M2M и его способность подключать физические системы и обмениваться данными в реальном времени между пользователями. Это не так уж ново (хотя посмотрите SWARM Engineering, чтобы узнать о новом подходе к этому), но, что более важно, то, что делается с данными, не менялось в течение многих лет. В 1990-е годы появились инструменты бизнес-аналитики, такие как Cognos, Crystal Decisions, BusinessObjects и другие. Это дало ИТ-отделу представление о данных и их историческую актуальность. В последующие годы мы стали свидетелями бурного развития технологий, позволяющих бизнес-пользователям форматировать, анализировать, прогнозировать и планировать. Мы стали свидетелями развертывания огромных вычислительных мощностей для конечных пользователей — тенденция, которая в последнее время набирает обороты. Но способны ли эти инструменты использовать ценность астрономических больших данных, которые обеспечат физические датчики?
Я считаю, что Business Intelligence должен превратиться в то, что я называю Physical Systems Intelligence (PSI). PSI сочетает машинное обучение, выполняемое на данных физических датчиков, с человеческим интеллектом и интуицией, чтобы позволить организациям учиться у своих экспертов в предметной области и полевых операторов, а также на своих промышленных устройствах и машинах. Расширение экспертных человеческих знаний с помощью встроенных систем машинного обучения — это то, к чему должны стремиться системы Интернета вещей. Эта инициатива следует законным исследованиям в области искусственного интеллекта, машинного обучения, глубокого обучения, обучения с подкреплением, приобретения экспертных навыков, интуиции против рационализации (Хьюберт и Стюарт Дрейфус и др.). Интересно, что список модных словечек, окружающих эту тему, кажется намного длиннее, чем список первоклассных и проверенных инструментов, которые переходят от BI к PSI.
Чем отличается Physical Systems Intelligence?
Оптимизация промышленных систем требует создания и обслуживания множества сложных прогностических моделей, а современный ИИ лишь недавно догнал стремительное развитие данных датчиков. Традиционные методы, использующие инструменты моделирования общего назначения или пытающиеся преобразовать инструменты бизнес-аналитики и языки программирования для решения проблем IIoT, просто не работают. Пока я пишу это, телевидение наводнено рекламой фильма «Глубоководный горизонт», отрезвляющим напоминанием о том, что может случиться, если у вас есть датчики и данные, но недостаточно оперативной и действенной информации, которая учитывала бы последствия определенных состояний и условий.
Независимо от того, в какой отрасли вы работаете, IIoT станет мощной реальностью. Преимущество — устойчивое конкурентное преимущество — достанется тем организациям и отдельным лицам, которые смогут успешно внедрить Physical Systems Intelligence, а это означает, что они должны:
1. Интегрируйте экспертные человеческие знания с аналитикой больших данных. Фирмы, которые могут это сделать, захватывают контроль над нишами (например, Proskriptive в здравоохранении).
2. Захватывайте и используйте глубокие отраслевые знания. Что такое отраслевая экономика? Каковы триггеры, которые могут изменить окружающую среду? Какое смысловое значение имеют эти данные?
3. Эффективно действовать в полевых условиях. Движение DevOps говорит нам о том, что зачастую для внедрения инструментов, которые интегрируются со сложными элементами, требуется удивительно крутая кривая обучения. В следующем сообщении в блоге я расскажу о том, как развивается DevOps и что вы можете сделать, чтобы ускорить его.
Да, одним словом для будущего может быть «сенсоры», но гонку выиграют организации и отдельные лица, которые смогут перейти от базовых систем мониторинга к физическим системным интеллектом, где приложения могут предписывать и предсказывать действия людей преднамеренным образом. для решения и оптимизации операций и производительности и охвата действий, ориентированных на человека, в трех пунктах выше.
