Las empresas de análisis industrial de IoT y aprendizaje automático necesitan medir su rendimiento cuando la cantidad de cálculo es pequeña
A medida que los proyectos de IoT industrial se alejan gradualmente de los métodos centrados en la computación en la nube, el siguiente paso en la evolución de la inteligencia artificial y el IoT industrial satisfará la necesidad de transformar los algoritmos en tareas de computación de borde, al tiempo que ocupa un espacio mucho más pequeño.
Según la firma de investigación Gartner, en los próximos cuatro años, el 75% de los datos generados por la empresa se procesarán en el borde (a diferencia de la computación en la nube), frente al 10% actual. El cambio a la informática en el borde no solo depende del aumento masivo de datos, sino que también requiere un análisis de mayor fidelidad, requisitos de latencia más bajos, problemas de seguridad y enormes ventajas de costos.
Aunque la nube es un buen lugar para almacenar datos y entrenar modelos de aprendizaje automático, no puede proporcionar análisis de datos de transmisión en tiempo real de alta fidelidad. Por el contrario, la tecnología de computación de borde puede analizar todos los datos sin procesar, proporcionar el análisis de mayor fidelidad y aumentar la posibilidad de detectar anomalías, obteniendo así una respuesta inmediata. Una prueba exitosa será la cantidad de "capacidad" o potencia de cálculo alcanzada en el rango más pequeño posible.
Dirección de vista previa de los detalles de configuración: https://www.hightopo.com/demos/index.html
Comprender las soluciones de borde "reales" y "falsas"
Como ocurre con todas las nuevas tecnologías de moda, algunos mercados ya no utilizan el término "informática de borde", y su composición en la implementación de IoT industrial no tiene límites claros. Las soluciones de borde "falsas" afirman ser capaces de procesar datos en el borde, pero realmente confían en enviar los datos a la nube para el procesamiento por lotes o lotes pequeños.
Al aprender sobre la computación en el borde, la computación en el borde "falsa" se considera datos falsos sin procesadores de eventos complejos (CEP), lo que significa una mayor latencia y los datos aún están "sucios", lo que hace que el análisis sea más inexacto. Los modelos de aprendizaje automático (ML) se ven gravemente afectados.
La informática de borde "verdadera" comienza con un procesador de eventos complejos (CEP) ultraeficiente que limpia, normaliza, filtra, escenas y / o datos industriales sin procesar durante el proceso de producción. Además, las soluciones de borde "reales" incluyen capacidades integradas de aprendizaje automático e inteligencia artificial, todas ellas integradas en la huella informática más pequeña (y más grande).
La función de procesador de eventos complejos (CEP) debe realizar análisis procesables y en tiempo real en el borde industrial y proporcionar una experiencia de usuario optimizada para la reparación rápida del personal de tecnología de operación (OT). También prepara datos para un rendimiento óptimo de aprendizaje automático / inteligencia artificial y genera información predictiva de la más alta calidad para impulsar el rendimiento de los activos y las mejoras de procesos.
La verdadera computación de borde puede ahorrar muchos costos, mejorar la eficiencia y el conocimiento de los datos, y permitir a las organizaciones industriales que desean embarcarse en una verdadera ruta de transformación digital.
Los modelos de aprendizaje automático / inteligencia artificial se están volviendo frágiles
Mover el aprendizaje automático (ML) al límite no es solo una cuestión de cambiar dónde ocurre el procesamiento. La mayoría de los modelos de aprendizaje automático (ML) que se utilizan actualmente se diseñan en función de suposiciones sobre las capacidades, el tiempo de ejecución y los cálculos de la computación en la nube. Dado que estos supuestos no se mantienen al margen, los modelos de aprendizaje automático (ML) deben adaptarse al nuevo entorno.
En otras palabras, deben ser "marginados". En 2019, las soluciones de borde "verdaderas" reposicionarán el preprocesamiento y posprocesamiento de datos de modelos de aprendizaje automático (ML) a procesadores de eventos complejos, los reducirán en un 80% y acercarán los modelos a la fuente de datos. Este proceso se denomina marginación y promoverá la adopción general de aplicaciones de IoT industriales y de computación de borde más potentes.
El aprendizaje automático de computación de borde a nube de circuito cerrado se convertirá en una verdadera solución operativa
A medida que el aprendizaje automático (ML) y los algoritmos de inteligencia artificial se "marglen" y puedan usarse cerca de sensores o dentro de puertas de enlace de IoT u otras opciones de computación industrial, surgirán las mejores prácticas sobre cómo entrenar e iterar más estos modelos.
Las organizaciones industriales encontrarán que los dispositivos de borde que generan resultados de análisis en datos de transmisión en tiempo real (incluidos audio y video) deben enviar información de manera regular a la nube, pero solo aquellos dispositivos que representan actividades anormales pueden garantizar la transformación de los algoritmos centrales.
Estos conocimientos perimetrales mejoran el modelo y mejoran significativamente sus capacidades predictivas. Luego, el modelo ajustado se devuelve a un ciclo cerrado constante, reaccionando rápidamente a las condiciones y especificaciones cambiantes y generando conocimientos predictivos de mayor calidad para mejorar el rendimiento de los activos y las mejoras de los procesos.
La producción de aplicaciones de IoT industriales solo se implementará a través de soluciones de computación de borde que admitan la implementación de nubes híbridas y multinube
Las soluciones de nube híbrida y multinube dominarán la implementación de IoT industrial. Un informe de una encuesta reciente encontró que el mercado de la nube híbrida alcanzará los USD 9,764 mil millones para 2023. Dado que las organizaciones industriales esperan combinar entornos de múltiples nubes para proporcionar un enfoque y una flexibilidad más rentables, es importante que las soluciones de borde no tengan nada que ver con la computación en la nube.
A medida que las empresas buscan una mayor flexibilidad y libertad de elección al crear entornos informáticos de borde a nube, las soluciones específicas de los proveedores pueden comenzar a fallar. Google, AWS, Microsoft, C3IoT, Uptake y otros proveedores líderes de computación en la nube establecerán más asociaciones con empresas de computación de vanguardia para ayudar a las empresas a continuar mejorando y expandiendo sus productos.
El rápido desarrollo de los sensores de audio y video de IoT impulsa la necesidad de un aprendizaje profundo en el borde
La industria está muy preocupada por las funciones que los sensores de audio y video pueden aportar a la Internet industrial de las cosas. La tecnología de computación perimetral puede desempeñar un papel importante en el mayor despliegue de datos de audio y video en sistemas de IoT comerciales e industriales.
La integración de datos de activos y análisis de audio y video permitirá un mantenimiento más rápido y preciso de equipos y máquinas (incluidas actualizaciones de estado del sistema, etc.), así como una serie de nuevas aplicaciones innovadoras. Un ejemplo de análisis es el uso de monitoreo de antorchas en instalaciones de producción de petróleo y gas para rastrear de forma remota el cumplimiento ambiental y el estado de antorchas de una gran cantidad de torres de antorchas.
El mantenimiento preventivo da paso al mantenimiento normativo
Una de las principales promesas que brindan las soluciones de borde de IoT industriales es el mantenimiento predictivo, que brinda información sobre lo que puede suceder con los activos conectados (como equipos de fabricación o plataformas petrolíferas) en el futuro. Aunque muchas organizaciones aún se quedan atrás del mantenimiento predictivo, 2019 brindará a los primeros usuarios tecnologías más avanzadas.
Por ejemplo, los fabricantes de ascensores quieren comprender los problemas comunes, como la fricción en las puertas de los ascensores. Como parte de este trabajo, Foghorn ha colaborado para crear soluciones de mantenimiento predictivo. Al analizar los datos de los sensores en la fuente, ahora pueden determinar las necesidades de mantenimiento con mucha anticipación sin tener que considerar costos, retrasos, seguridad y otros problemas relacionados con la transmisión de grandes cantidades de datos fuera del edificio. Por lo tanto, puede programar servicios de manera eficiente antes de que las anomalías afecten al rendimiento.
Cuando el mantenimiento prescriptivo está disponible, antes de que el fabricante realice el mantenimiento en el elevador, obtendrá los datos disponibles para ayudarlos a encontrar las áreas con mayor probabilidad de necesitar reparación y verificar el conocimiento profesional, las herramientas y los componentes que se pueden usar para las reparaciones del personal de mantenimiento.
El mantenimiento prescriptivo es un paso adelante para una empresa, ya que no solo puede predecir problemas, sino también utilizar el análisis de datos para proporcionar recomendaciones orientadas a resultados para sus operaciones y mantenimiento.