도메인 전문가의 손에 데이터 과학을 제공하여 더 가치 있는 통찰력 제공

고급 분석 및 인공 지능(AI)과 같은 새로운 기술은 제조 부문을 변화시키고 있습니다. 공장 현장은 IoT(사물 인터넷) 센서의 성장으로 인한 데이터로 가득 차 있습니다. 그러나 Rockwell Automation의 영국 및 아일랜드 CTO인 Mike Loughran은 말합니다. , 데이터만으로는 유용한 상품이 아닙니다. 이 데이터는 귀중한 비즈니스 통찰력과 가치를 제공하기 위해 분석되기 전에 컨텍스트와 도메인 전문 지식을 적용해야 합니다.

분석과 AI는 많은 산업, 특히 소비자 공간을 혼란에 빠뜨렸습니다. 오늘날 우리는 우리가 사고 싶은 제품을 예측할 수 있는 타겟 광고 및 소셜 미디어 전자 상거래 플랫폼을 보고 있으며 위치 기반 앱은 사용자의 위치를 ​​기반으로 추천할 수도 있습니다. 여기서 기본 주제는 분석을 통해 적시에 통찰력을 제공하여 데이터 기반 의사 결정을 내릴 수 있다는 것입니다.

명확한 이점

자연스러운 질문은 소비자 공간과 상당히 다른 산업 제조 산업이 이 기회를 어떻게 활용하느냐 하는 것입니다. 이점은 분명합니다. 평균적으로 디지털 혁신 및 분석을 도입하여 운영 혁신에 착수한 제조 조직은 최대 10%의 수익 증대, 최대 12%의 운영 비용 절감, 자산 효율성 최대 30% 개선을 목표로 하고 있습니다.

다른 디지털 기술이 이러한 종류의 두 자릿수 성장을 주도하고 있지만 제조업체가 이러한 기술을 분석에 적용하려고 할 때 몇 가지 고유한 문제에 직면하게 됩니다. 그 이유는 제조 컨텍스트에서 분석을 적용하는 것이 복잡하기 때문입니다. 매우 자주 분석은 중앙에서 모든 데이터를 먼저 수집한 다음 알고리즘이나 모델을 적용하여 약속의 땅에 도달하는 턴키 솔루션으로 자리잡습니다.

글쎄, 그것은 그렇게 간단하지 않습니다. 대부분의 산업 분석 워크로드는 높은 네트워크 대역폭 비용과 긴 대기 시간으로 인해 클라우드에서 실행하면 안 됩니다. 이러한 분석 모델을 데이터가 생성되는 에지에 더 가깝게 배포하는 것이 더 합리적입니다. 또한 산업 환경에 대한 분석 모델을 훈련하는 데 많은 작업이 필요합니다. 이를 이해하려면 산업 데이터의 세계에 대해 조금 더 깊이 파고들 필요가 있습니다.

높은 데이터 볼륨 관리

첫째, 제조업체는 이력 데이터와 함께 플랜트 시스템에서 실시간으로 생성되는 엄청나게 많은 양의 데이터를 관리해야 합니다. 아이러니하게도 사용 사례에 따라 마이닝된 데이터의 일부만 관련이 있을 수 있습니다. 그런 다음 다른 프로토콜을 사용할 수 있는 서로 다른 소스의 이 데이터를 통합해야 합니다.

이러한 이기종 시스템에는 연결 및 데이터 집계를 어렵게 만들 수 있는 다른 레거시 기술도 있을 수 있습니다. 또한 관계를 만드는 시스템 간에 공통 데이터 모델이 없거나 데이터 포인트 간의 관계가 다소 불명확할 수 있습니다.

또한 통찰력은 관련자 또는 시스템에 전달되어 짧은 시간 내에 조치를 취하여 관련성이 있도록 해야 합니다. 마지막으로, 분석을 적용하려면 기본 산업 프로세스에 대한 깊은 지식이 필요합니다. 일반적으로 한 사람에게서 데이터 과학과 프로세스 전문 지식을 찾기가 매우 어렵습니다.

성공하려면 제조와 분석을 모두 이해할 수 있을 뿐만 아니라 사용 사례에 맞게 솔루션을 조정할 수 있는 파트너가 있어야 합니다. 이상적으로 이 파트너는 제조 분야에서 강력한 유산을 가지고 있어야 하며 프로세스 하드웨어 및 운영 기술은 물론 비즈니스 목표에 대해 잘 알고 있어야 합니다.

실제 데이터 과학 단순화

제어 및 프로세스 엔지니어가 데이터 과학자의 도움 없이 분석을 수행할 수 있도록 하는 도구가 필요합니다. 우리는 데이터 과학의 관행을 단순화해야 합니다. 디지털 혁신 여정에 있는 고객과 이야기할 때 두 가지 공통 요구 사항이 있습니다. 첫 번째는 디지털 작업자이고 두 번째는 기계 학습입니다.

기업이 데이터 분석을 위해 취해야 하는 4단계가 있습니다. 첫째, 중요한 운영 속성을 식별해야 합니다. 그런 다음 논리적 데이터 구조를 설정하기 위해 이동할 수 있습니다. 이를 통해 고속으로 데이터를 캡처하는 방법을 적용할 수 있습니다. 마지막으로 효율성과 속도를 높이기 위해 정보 계층에서 모델을 재사용해야 합니다. 목표는 엔지니어에게 데이터 과학 도구를 제공하여 결과를 가속화하는 것입니다.

우리는 자동화 또는 제어 엔지니어가 이러한 데이터 과학 활동 중 일부를 더 쉽게 수행할 수 있도록 노력하고 있습니다. 이는 데이터를 소비하는 ThingWorx Analytics 제품에서 수행할 수 있으며 데이터 과학자가 거쳐야 하는 몇 가지 단계를 거칩니다. 데이터 과학을 도메인 전문가에게 맡기는 혁신적인 솔루션 템플릿을 제공합니다.

태그를 통해 최적의 예측에 필요한 상관 관계를 조사할 수 있습니다. 100개 또는 1000개 중 5개만 큰 영향을 미칠 수 있습니다. 그런 다음 실행할 알고리즘을 선택하는 데 도움이 되는 자동 기계 학습이라는 과정을 자동으로 진행하고 여러 시나리오를 실행하여 최상의 결과를 제공하는 알고리즘 또는 알고리즘 모음을 선택하기 시작합니다.

도메인 전문가가 수집된 데이터에 잠겨 있고 시민 데이터 과학자의 시대에 예고되는 가치를 실제로 추출할 수 있도록 하는 것은 복잡한 프로세스를 단순화하는 것입니다.

저자는 Rockwell Automation의 영국 및 아일랜드 CTO Mike Loughran입니다. .

저자 소개

Mike Loughran은 산업 자동화 및 정보 기술 제공업체인 Rockwell Automation의 영국 및 아일랜드 CTO입니다. 그는 14년 이상 회사에서 근무했으며 소프트웨어 판매 분야에서 시작하여 현재 그가 맡고 있는 최고위 직위까지 올라갔습니다.