3 главных тренда для перехода к Индустрии 4.0 в 2023 году
Производители борются с инфляцией, ростом процентных ставок, снижением маржи за счет роста прямых затрат на материалы и т. д. Это приведет к переходу от ажиотажа к цифровым операциям (т. е. к Индустрии 4.0) к сосредоточению внимания на как мы можем использовать это, чтобы либо увеличить, либо сократить расходы».
Замедлять; что такое Индустрия 4.0 или другие модные словечки, такие как «Умное производство» и «Цифровые операции»?
Я думаю, что у ISA и Tulip есть отличный сводный материал по определениям и общим структурам. Проще говоря, Индустрия 4.0 соединяет производство в цеху с Интернетом через IoT, а также соединяет завод с предприятием через облачные вычисления. Эта объединенная фабрика и предприятие обеспечивают аналитику, мониторинг и прогнозирование в реальном времени.
Индустрия 4.0 изначально была ориентирована на шумиху, а не на ценность; варианты использования стоимости появятся в этой рецессии, сжатой с маржой
Некоторые производители все еще пытаются превратить стремления ИИ (например, ChatGPT) в ощутимую добавленную стоимость для своего предприятия. Некоторые из этих сложностей перевода с добавленной стоимостью могут быть связаны с беспорядочными данными, чрезмерно сложной аналитикой или распространением поставщиков, что приводит к трудностям с внедрением и интеграцией.
Эти трудности, связанные с созданием решений, соответствующих назначению, будут иметь несколько последствий. Три точки зрения, которые для меня важнее всего
- Инженерия данных как основное направление.Инженерия данных станет более приоритетной задачей, поскольку широко разрекламированные варианты использования машинного обучения не могут создать ценность без качественных данных.
- Соответствие целевой аналитике. Аналогичным образом, инструменты и варианты использования машинного обучения изменятся в перспективе: производители станут лучше различать варианты использования для анализа данных, машинного обучения и глубокого обучения.
- Консолидация поставщиков.Во всем технологическом стеке производители начнут бороться с распространением поставщиков, приобретя несколько точечных решений Индустрии 4.0 и стремясь консолидировать поставщиков и технологические стеки. Это станет особенно очевидным для горизонтального SaaS с практически полным отсутствием вариантов использования и внедрения для производства.
Инжиниринг данных как фундаментальный фокус
Изначально производители слишком усердствовали с искусственным интеллектом и вариантами использования больших данных. После того, как несколько вариантов использования закончились только экспериментальным чистилищем, они поняли, что основной причиной было качество данных. Проблема заключалась не в красиво построенных информационных панелях, невероятно подробных аналитических данных или проницательных инструментах прогнозирования. Скорее, основная проблема заключалась в эффективном соединении разрозненных данных. Специалисты по работе с данными не только осознали, насколько несопоставимы их различные производственные системы (по MES, CMMS и т. д.), но также увидели, что, несмотря на наличие формальных инструментов, большая часть фабрик по-прежнему работает на базе Excel. Неоднозначность источника правды и ясности в отношении потребностей в данных ограничивает возможности для любых вариантов использования расширенной аналитики. Это требует дополнительной поддержки для включения истинного источника правды во все множество информационных панелей и аналитики, которые раскручивают команды Индустрии 4.0.
Аналитика соответствия назначению: от ясности до машинного обучения
Машинное обучение было и остается очень модным, руководители подталкивают команды цифрового производства к разработке сценариев использования, включающих технологии машинного обучения, для прогнозирования тенденций, решения проблем с качеством и многого другого. Однако, помимо ажиотажа, многие результаты достижимы просто с помощью более качественной аналитики данных и базового статистического анализа.
Качественный анализ первопричин, отчеты об эффективности труда, аналитика технического обслуживания и другой базовый анализ могут создать ощутимую ценность гораздо быстрее, чем долгосрочные цели машинного обучения. Это особенно верно, если качество данных является неопределенным.
Машинное обучение можно использовать в производстве для обнаружения закономерностей в данных, которые можно использовать для прогнозирования или рекомендаций, но перед тем, как с головой погрузиться в машинное обучение, требуется базовая аналитика и контекстуализация данных. Более того, создание моделей глубокого обучения может становиться все более сложным и дорогостоящим. Существует абсолютно долгосрочное ценностное предложение, но оно часто строится на основе понимания базовой исследовательской аналитики, а также стандартных наборов инструментов машинного обучения.
В 2023 году многие производители перейдут от раскрученных вариантов использования машинного обучения и глубокого обучения к, казалось бы, базовым вариантам использования аналитики данных, ориентированным на то, чтобы дать конечному пользователю возможность принимать более взвешенные решения, автоматизировать отчетность и предоставить лучший контекст производственных данных. Проще говоря, базовая видимость и аналитика будут иметь приоритетное значение в 2023 году, поскольку производители увидят необходимость начинать с базовых вариантов использования, чтобы они служили основой для будущих, более зрелых вариантов использования.
Консолидация поставщиков
По мере того, как маржа сокращается в условиях инфляции и рецессии, производители будут стремиться сократить расходы, особенно общие и административные расходы и расходы на ИТ. При этом главной целью будет консолидация поставщиков. Я считаю, что горизонтальные SaaS (независимые от отрасли — зависящие от функций) пострадают особенно сильно. Производители изо всех сил пытались интегрировать отдельные инструменты SaaS для обслуживания, управления задачами, аналитики и оповещения как для интеграции процессов, так и для интеграции данных и ИТ. Это разочарование приведет к значительной консолидации по мере сокращения маржи.
У вертикального SaaS есть шанс: технология, которая выполняет несколько функций, но разработана специально для производителей, может выжить в этой грядущей консолидации поставщиков. Это так в первую очередь потому, что настоящая технология не так уж сложна. На самом деле важны нюансы производственных процессов, сосредоточенность на решении проблем и последовательная интеграция с методами работы и операционной моделью производителя, которые предотвратят отток.
2023 год может показать, что производители действительно заботятся о том, чтобы их поставщик MES, поставщик платформы IoT и другие поставщики не только понимали операции и производство, но, в большей степени, понимали конкретные процессы и нишевые требования своих клиентов.
Краткое содержание
- Инженерия данных как основа. 2023 г. может показать производителям, что инженерия данных является фундаментальной предпосылкой, предшествующей вариантам использования расширенной аналитики и машинного обучения.
- Соответствие целевому назначению.Поскольку маржа сокращается, производители в 2023 году могут больше сосредоточиться на возможностях немедленного создания ценности с помощью простых вариантов использования, соответствующих назначению. Производители перейдут от заботы о типе аналитики и инструментов к заботе о непосредственной ценности.
- Консолидация поставщиков.Производители в 2023 году могут быть вынуждены консолидировать поставщиков, особенно универсальных горизонтальных SaaS, которые считали внедрение и интеграцию производства второстепенными. Вертикальные инструменты SaaS, которые действительно учитывают конечных пользователей-производителей, добьются успеха.