Comment la qualité des données rend les projets IoT plus rentables

Les dépenses technologiques mondiales pour l'Internet des objets (IoT) devraient atteindre 1,2 billion de dollars (1 billion d'euros) en 2022, en tête des industries telles que la fabrication discrète 119 milliards de dollars (108 milliards d'euros), la fabrication de procédés 78 milliards de dollars (70,8 milliards d'euros), transport 71 milliards de dollars (64,5 milliards d'euros) et services publics 61 milliards de dollars (55,4 milliards d'euros).

En effet, le marché des produits et services de l'Industrie 4.0 devrait croître de manière significative au cours des prochaines années - et plus de 60 % des fabricants devraient être entièrement connectés d'ici là, en utilisant un changement de technologies telles que la RFID, les dispositifs portables et les systèmes automatisés. , déclare Ramya Ravichandar, vice-président des produits, FogHorn .

Bien que l'industrie anticipe une croissance positive des projets IoT et IIoT actuels et à venir, certains défis importants doivent encore être relevés afin de gagner pleinement la confiance des clients et de transformer les projets pilotes en productions IoT à grande échelle réussies. Alors que beaucoup considèrent les limitations de connectivité, les risques de sécurité et les biais de données, y compris la quantité de données, les problèmes comme des obstacles au succès de l'IoT, nous avons constaté que la qualité des données joue également un rôle essentiel dans la réalisation de projets IoT efficaces.

Qu'est-ce que la qualité des données et quel impact a-t-elle sur la réussite du déploiement ?

La qualité des données joue un rôle essentiel dans l'adoption croissante des appareils IoT de trois manières principales :

1. Les organisations ne peuvent prendre les bonnes décisions basées sur les données que si les données qu'elles utilisent sont correctes et adaptées au cas d'utilisation concerné.
2. Les données de mauvaise qualité sont pratiquement inutiles et peuvent entraîner de graves problèmes, tels que des modèles d'apprentissage automatique inexacts, des prises de décision inexactes ou un retour sur investissement insuffisant.
3. Plus précisément, les problèmes classiques d'entrée/sortie de déchets ont refait surface avec l'augmentation des applications d'intelligence artificielle et d'apprentissage automatique.

Des flux de données de haute qualité, des trains et des réglages de modèles d'apprentissage automatique (ML) pour permettre aux usines compatibles IoT de prendre des décisions éclairées basées sur les données.

Par exemple, la panne inattendue d'une turbine à vapeur peut créer une perturbation critique, des dommages et des pertes économiques à la fois pour la centrale électrique et le réseau électrique en aval. Des modèles d'apprentissage automatique prédictifs, formés sur des ensembles de données de haute qualité, aident ces organisations industrielles à maximiser la fiabilité de leurs équipements en détectant les défaillances potentielles avant que des problèmes importants ne surviennent.

Cependant, les données sales, y compris les données manquantes, incomplètes ou sujettes aux erreurs, conduisent les organisations à commettre des erreurs gênantes, chronophages et coûteuses. En fait, selon le Data Warehouse Institute (TDWI), les données sales coûtent aux entreprises américaines environ 600 milliards de dollars (545 milliards d'euros) chaque année. C'est un fait qu'environ 80 % du travail d'un data scientist est axé sur la préparation et le nettoyage des données pour s'assurer que les modèles de ML fournissent les bonnes informations.

À l'avenir, les organisations doivent intégrer des méthodologies pour garantir l'exhaustivité, la validité, la cohérence et l'exactitude de leurs flux de données afin d'améliorer la qualité des informations, de déployer des projets IoT efficaces et d'obtenir un retour sur investissement optimal.

Alors, quel rôle joue l'edge computing dans la qualité des données ?

Les capteurs industriels sont disponibles dans de nombreux types différents et collectent des volumes, des variétés et des vitesses élevés de données, y compris la vidéo, l'audio, l'accélération, les vibrations, l'acoustique, etc. Si une organisation est capable d'aligner, de nettoyer, d'enrichir et de fusionner avec succès tous ces différents flux de données, elle peut améliorer considérablement l'efficacité, la santé et la sécurité de ses opérations. Cependant, pour brosser un tableau complet et précis des opérations de l'usine, les organisations doivent rassembler, marier et traiter les informations brutes fournies par ces sources de données variées et distantes.

L'Edge computing se développe sur ces types d'environnements car ils peuvent collecter et traiter des données en temps réel à sa création, puis créer une structure au sein des données pour aider à identifier la valeur.

Les machines compatibles Edge aident à nettoyer et à formater les données modifiées localement, ce qui améliore la formation et le déploiement de modèles d'apprentissage automatique précis et efficaces. En effet, les chercheurs du secteur pensent que les cas d'utilisation Edge pour l'IoT seront un puissant catalyseur de croissance sur les principaux marchés verticaux - et que les données seront traitées (sous une forme ou une autre) par l'edge computing dans 59 % des déploiements IoT d'ici 2025.

Par exemple, en utilisant l'informatique de pointe, les usines peuvent améliorer la qualité des produits en analysant les données des capteurs en temps réel pour identifier toutes les valeurs qui se situent en dehors des seuils précédemment définis, créer et former un modèle ML pour identifier les causes des problèmes et, si vous le souhaitez, déployer le modèle ML pour arrêter automatiquement la production de pièces défectueuses.

Pour ces cas d'utilisation et d'autres similaires, les solutions Edge transforment les données machine en temps réel (données de faible qualité) en informations exploitables (données de haute qualité) liées à l'efficacité de la production et aux mesures de qualité qui peuvent être utilisées par les responsables des opérations pour réduire temps d'arrêt imprévus, maximisez le rendement et augmentez l'utilisation de la machine.

De nombreuses organisations commencent à comprendre la valeur que l'informatique de pointe peut apporter à leurs projets IoT et IIoT, car les solutions de périphérie transforment les données brutes des capteurs en flux en informations exploitables à l'aide d'un traitement et d'une analyse de données en temps réel. En nettoyant et en enrichissant les données sales au moment de leur création, l'edge computing peut améliorer considérablement la qualité des données et affiner les données machine répétitives pour une meilleure efficacité opérationnelle.

L'auteur est Ramya Ravichandar, vice-présidente des produits, FogHorn