La gestion des données alimente l'apprentissage automatique et l'IA. dans IIOT

Assistez à n'importe quelle conférence, webinaire ou discutez avec des analystes du secteur de la fabrication et deux des plus gros mots à la mode que vous entendrez sont « apprentissage automatique » et « intelligence artificielle » (IA). Chez Cisco, nous explorons et investissons également dans ces domaines et nous stimulons activement l'apprentissage automatique et l'IA dans notre portefeuille.

Souvent, les deux termes sont mal interprétés. SAS, l'un de nos partenaires mondiaux, a récemment créé une excellente vidéo sur la différence entre les deux :

Comme indiqué dans la vidéo :

• L'IA est la science des machines et des ordinateurs imitant les humains
• Le machine learning est une méthode derrière la façon dont les machines apprennent à partir des données

Alors pourquoi ces sujets sont-ils importants et pourquoi y a-t-il tant de buzz autour de ces domaines liés à l'avenir de la fabrication ? Actuellement, nous voyons la fabrication à l'ère de l'industrie 4.0/de la fabrication intelligente. Cette évolution technique a été longuement discutée sur ce blog, mais pour résumer rapidement le Guide ultime de la fabrication, nous voyons trois domaines fondamentaux essentiels pour les fabricants dans ce voyage.

1. Hyperawareness :capacité organisationnelle à reconnaître les informations en temps réel et les tendances futures. Un élément essentiel de l'hyperconscience est la capacité de voir de première main comment les produits et services sont utilisés dans la pratique.
2. Prise de décision éclairée :la capacité d'analyser activement les informations qui arrivent par hyperconscience et de s'assurer qu'elles parviennent à ceux qui en ont le plus besoin.
3. Exécution rapide :les décisions éclairées doivent être transformées en actions (maintenance prédictive lorsqu'une machine en usine montre des signes précoces de fatigue, par exemple).

L'apprentissage automatique et l'IA sont des extensions naturelles de ces capacités fondamentales.

Selon IDC :

IDC a noté que cette tendance de l'IA continuera de croître, « atteignant un taux de croissance annuel composé de 54,4% jusqu'en 2020, lorsque les revenus seront supérieurs à 46 milliards de dollars. ¹

La base de l'apprentissage automatique et de l'IA

Les données sont la pièce maîtresse de l'apprentissage automatique et de l'IA. Les données alimenteront ces plates-formes pour aider à améliorer toutes les facettes de la fabrication et, en fin de compte, capturer un retour sur investissement (ROI) croissant. Par exemple, dans un scénario de maintenance prédictive simplifié, la machine et son système de contrôle de supervision doivent être capables de corréler ses performances optimales et de reconnaître les écarts par rapport à la ligne de base. Il doit prendre en compte plusieurs sources de données, les corréler, les analyser, puis prendre une décision. Trop d'informations peuvent surpasser les analyses et ralentir les choses ; trop peu d'informations et la machine n'en tirera pas la valeur pour optimiser et s'améliorer intelligemment. L'apprentissage automatique et l'IA pourraient également transformer les applications dans des domaines tels que l'optimisation de la chaîne d'approvisionnement, la recherche et le développement et le lancement de nouveaux produits, pour ne citer que quelques exemples.

Considérez maintenant qu'une usine peut produire 1 000 To de données par jour, avec plus de 10 000 capteurs capturant plus de 12 000 variables à partir de machines anciennes et nouvelles. Ces facteurs interdépendants sont nombreux à prendre en compte et signifient que les fabricants doivent non seulement prendre en compte la connectivité aux données, mais également décider où ces données doivent aller, à quelle fréquence les envoyer et comment les utiliser. Cette dynamique des données sert de base à l'apprentissage automatique et à l'IA.

Certains domaines de gestion des données à prendre en compte qui prennent en charge l'IA et l'apprentissage automatique :

• Fréquence :déterminez à quelle fréquence les données ajoutent de la valeur à l'entreprise et ne les extrayez qu'à cette fréquence. Les extractions de données inutiles peuvent entraîner une surcharge d'informations. L'ajout d'applications cloud pour le calcul peut également créer des scénarios dans lesquels des données non segmentées ajoutent des coûts inutiles, des frais généraux et affectent les budgets opérationnels.
• Priorisation :donnez la priorité aux données critiques par rapport aux données non critiques pour garantir l'intégrité du réseau et vous assurer que les informations précieuses parviennent à la destination appropriée.
• Traitement :les modèles informatiques traditionnels envoient les données au centre de données principal ou au cloud pour analyse. Cependant, cela n'est pas pratique dans de nombreux scénarios de fabrication. Souvent, l'apprentissage automatique et l'IA dans les données de fabrication nécessitent une analyse en temps réel. Les architectes de réseau doivent envisager une solution hybride d'informatique de pointe et de calcul de données centralisé pour prendre en charge les initiatives d'apprentissage automatique et d'IA.
• Orchestration :l'afflux de données augmente l'importance de déterminer comment les plates-formes d'apprentissage automatique et d'IA reçoivent ces données et comment elles les consomment. Il est essentiel de mettre en œuvre un contrôle et une connaissance cohérents des données, y compris quand elles sont reçues, comment elles sont livrées et pourquoi elles ont été envoyées.
• Sécurité :l'intégrité de la production est essentielle à la mission, mais la connexion de plusieurs flux de données peut introduire de nouvelles failles de sécurité. Alors que l'apprentissage automatique et l'IA peuvent apporter d'énormes avantages commerciaux, une violation de la sécurité peut créer des risques pour les données et la confidentialité qui peuvent menacer la réputation d'une entreprise et la confiance des clients. D'un autre côté, l'apprentissage automatique peut également aider à renforcer la sécurité en tant que moyen de détecter les anomalies.

Pour aider les fabricants à jeter les bases de l'apprentissage automatique et de l'IA, nous avons développé un guide sur la gestion des données dans la fabrication numérique. Le guide fournit les meilleures pratiques en matière de gestion des données et des considérations pour déterminer quelle architecture de charge de travail vous convient le mieux lorsque vous envisagez votre feuille de route technologique. Il comprend également des études de cas essentielles ainsi que des ressources qui peuvent vous aider à passer à ce nouveau modèle de données.

1. Source :IDC FutureScape :Worldwide Manufacturing 2018, Predictions, doc# DC #US42126117, octobre 2017