ผู้เชี่ยวชาญระดับโลกคาดการณ์ว่าตลาด IIot จะเพิ่มขึ้นเกินความคาดหมายของทุกคน มีรายงานว่าจะเพิ่มมูลค่าประมาณ 14.2 ล้านล้านดอลลาร์ให้กับเศรษฐกิจโลกภายในปี 2573 (ตามการวิจัยของ Accenture) แต่ตั้งแต่นั้นเป็นต้นมา มันก็ต้องเผชิญกับอุปสรรคเพียงเพราะวิธีการดั้งเดิมไม่สามารถตรวจจับและทำนายความผิดปกติได้ ล่าสุดก็มีภาพ Cognitive Anomaly Detection ออกมาแล้ว แต่จะทำได้อย่างที่คาดไว้หรือไม่? หากต้องการทราบเกี่ยวกับเรื่องนี้ คุณควรทราบเกี่ยวกับ IIoT และ Cognitive Anomaly Detection มาเริ่มกันเลย!
IIoT คืออะไร
คำว่า IIot เป็นคำที่บัญญัติโดย GE เมื่อปลายปี 2012 IIot หรือ Industrial Internet of Things คือภาพรวมของแนวคิดที่เรียกว่า Internet of Things IIoT นำศักยภาพของเทคโนโลยี ML และ Big Data เข้ามามีบทบาท ด้วยวิธีนี้ การอัปเกรดเทคโนโลยีระบบอัตโนมัติไปสู่อีกระดับของประสิทธิภาพการทำงานในตัวเองจะไม่ยังคงเป็นงานที่ยากเย็นแสนเข็ญอีกต่อไป พิจารณาจำนวนข้อมูลที่เซ็นเซอร์หรือ Internet of Things ทั่วโลกกำลังรวบรวมอยู่ หากไม่มีการวิเคราะห์ที่เหมาะสม การใช้สิ่งเหล่านี้จะหยุดอยู่และเราจะลบทิ้งในที่สุด สิ่งนี้จะทำให้กระบวนการรวบรวมข้อมูลไร้ประโยชน์ แต่ด้วย IIoT ข้อมูลสามารถรวมเข้ากับระบบอื่นๆ และประมวลผลด้วยวิธีที่ง่ายกว่ามาก แต่ความผิดปกติทางปัญญาคืออะไรกันแน่
การตรวจจับความผิดปกติทางปัญญาคืออะไร
การตรวจจับ CA เป็นกระบวนการที่ระบุความผิดปกติในข้อมูล IIoT (ก้อนใหญ่ที่ไม่มีประโยชน์ก่อนหน้านี้) ด้วยความช่วยเหลือของการเรียนรู้แบบไม่มีผู้ดูแลและการจดจำรูปแบบ ด้วยสิ่งเหล่านี้ การปรากฏตัวของการแจ้งเตือนที่ผิดพลาดสามารถลดลงได้มาก นอกจากนี้ ด้วยการตรวจจับข้อผิดพลาดและความล้มเหลวในเวลาที่เหมาะสม เราสามารถประหยัดเวลาและทรัพยากรได้อย่างมาก
มาถึงอิทธิพลของการตรวจจับความผิดปกติทางปัญญาบน IIoT…
หากสถิติเชื่อถือได้ แสดงว่ามีเซ็นเซอร์เกือบ 6k บนเครื่องบิน A350 ซึ่งสามารถสร้างข้อมูลได้ 2.5 เพตะไบต์ต่อเที่ยวบิน ภาคอุตสาหกรรมต่างๆ เช่น ผู้ผลิตรถยนต์ โรงไฟฟ้า แท่นขุดเจาะน้ำมัน สายการประกอบ ฯลฯ ก็อยู่ไม่ไกลนัก ด้วยเซ็นเซอร์หลายพันตัวที่ทำงานอย่างต่อเนื่อง พวกมันจึงสร้างข้อมูลจำนวนมหาศาลในแต่ละวัน อย่างไรก็ตาม บริษัท IIoT ไม่สามารถใช้มากกว่า 20% ของข้อมูลที่ผลิตได้ ถึงกระนั้น เรายังคงพยายามค้นหาการใช้ข้อมูลทั้งหมดที่รวบรวมเหล่านี้ เนื่องจากเราไม่สามารถระบุรูปแบบที่สำคัญได้ เราจำเป็นต้องค้นหาความผิดปกติในวงกว้างเพื่อเพิ่มอัตราการใช้อุปกรณ์และลดการใช้เชื้อเพลิง
นอกจากนี้ ยังมีความผิดปกติอื่นๆ อีกมากมาย เช่น ปัญหาเวลาแฝงที่ส่งผลโดยตรงต่อข้อมูลเรียลไทม์ การไม่สามารถคาดการณ์อายุการใช้งานของชิ้นส่วนขนาดเล็ก ค่าใช้จ่ายที่เกี่ยวข้องกับการใช้กำลังคน และอื่นๆ อีกมากมาย
ตามที่กล่าวไว้ข้างต้น ความผิดปกติทางปัญญาขับเคลื่อนโดยการเรียนรู้ของเครื่องและการวิเคราะห์ข้อมูล ซึ่งช่วยให้ IIot ค้นหาวิธีแก้ไขและเอาชนะปัญหาที่วิธีดั้งเดิมไม่สามารถคาดการณ์หรือแก้ไขได้ อย่างไรก็ตาม การค้นหาความผิดปกติเพียงอย่างเดียวนั้นไม่เพียงพอ เนื่องจากมีความผิดปกติหลายประเภท การแยกความแตกต่างของสิ่งที่ดีและไม่ดีจึงกลายเป็นเรื่องยากที่จะแยกแยะ ดังนั้น หากเราสามารถเชื่อมโยงและสัมพันธ์กันเพื่อคาดการณ์ความล้มเหลวได้ เราจะสามารถประหยัดเวลาและทรัพย์สินได้มหาศาล
เกี่ยวกับเรื่องนี้ Taj Darra นักวิทยาศาสตร์ด้านข้อมูลได้อธิบายว่า เมื่อ ML ได้รับการปรับปรุงด้วยเฟรมเวิร์ก IoT แบบรู้คิด จะช่วยให้ธุรกิจ IIoT สามารถตรวจจับความผิดปกติได้ตั้งแต่การเริ่มนำเข้าข้อมูลเซ็นเซอร์ไปจนถึงการคาดคะเนผลลัพธ์ และระบุว่ามีบางอย่างผิดปกติหรือไม่ใน เพียง 2 วัน สิ่งนี้ค่อนข้างน่าประทับใจเพราะตอนนี้เซ็นเซอร์ทั้งหมดสามารถวัดแบบขนานได้แล้ว
การตรวจจับความผิดปกติทางปัญญาจะดำเนินการเป็นระยะๆ และดำเนินการตามลำดับที่กำหนด เชื่อมต่อ ตรวจจับ ตรวจสอบ คาดการณ์ และดำเนินการ ขั้นแรก เราเชื่อมต่อกับแหล่งข้อมูลที่มีโครงสร้าง จากนั้นเราจะตรวจพบว่าเอนทิตีที่พบสามารถพิจารณาได้ว่าเป็นความผิดปกติหรือไม่ กระบวนการนี้ดำเนินต่อไปในกระบวนการตรวจสอบ จากนั้นจึงทำการคาดคะเน ทันทีที่กระบวนการนี้เสร็จสิ้น คุณสามารถเชื่อมต่อกับ API ของระบบของคุณเพื่อดำเนินการได้ เมื่อใช้แนวทางนี้ คุณจะคาดการณ์การเสียของชิ้นส่วนประมาณ 75% ก่อนที่ชิ้นส่วนจะเริ่มทำงานผิดปกติได้อย่างง่ายดาย
ดังนั้นเราจึงสามารถพูดได้ว่าการรวมสองสิ่งนี้เข้าด้วยกันจะช่วยเรายกระดับแนวทางปฏิบัติของเรา เราไม่สามารถปฏิเสธได้ว่าข้อมูลจำนวนมหาศาลใช้พื้นที่โดยไม่จำเป็นเพราะเราขาดแนวทางปฏิบัติที่มีประสิทธิภาพ การแทนที่วิธีการแบบเดิมด้วยวิธีการใหม่ย่อมตอบสนองวัตถุประสงค์ของเราได้อย่างแน่นอน นอกจากนี้ หากเราควบคุมข้อมูลจำนวนมากที่ผลิตได้ในแต่ละวัน เราจะสามารถปรับปรุงการจัดการความล้มเหลวของสินทรัพย์ ลดการหยุดทำงานที่ไม่ได้วางแผนไว้ ปรับปรุงการคาดการณ์ความล้มเหลว ลดต้นทุนการบำรุงรักษา เพิ่มประสิทธิภาพการใช้ทรัพยากร ป้องกันปัญหาด้านคุณภาพ และลดการเรียกร้องการรับประกัน และเพิ่มอายุการใช้งานของสินทรัพย์
ถึงเวลาแล้วที่เราจะอัพเกรด! เราหวังว่าสิ่งนี้จะได้ผลตามที่ผู้เชี่ยวชาญด้านข้อมูลได้ให้คำมั่นไว้ เพื่อให้เรามีวันพรุ่งนี้ที่ดีกว่า! คุณมีความคิดเห็นอย่างไรเกี่ยวกับเรื่องนี้ โปรดแจ้งให้เราทราบในส่วนความคิดเห็นด้านล่าง!
