ผู้เชี่ยวชาญทั่วโลกพยากรณ์ว่าตลาด IIoT จะเติบโตเกินคาดหมายทุกคน รายงานว่ามันจะเพิ่มประมาณ 14.2 ล้านล้านดอลลาร์สหรัฐ ($14.2 trillion) ให้กับเศรษฐกิจโลก بحلولปี 2030 (ตามการวิจัยของ Accenture) แต่ตั้งแต่ตอนนั้น มันเผชิญกับอุปสรรค เพราะวิธีการดั้งเดิมไม่สามารถตรวจจับและทำนายความผิดปกติ (Anomalies) ได้ ไม่กี่วันนี้ Cognitive Anomaly Detection (การตรวจจับความผิดปกติเชิงปัญญา) ได้เข้ามาในภาพ แต่จะสามารถทำงานได้ตามที่คาดหวังหรือไม่? เพื่อรู้เรื่องนี้ คุณควรรู้เกี่ยวกับ IIoT และ Cognitive Anomaly Detection มาเริ่มกันเลย!
IIoT คืออะไร?
คำว่า IIoT ถูกสร้างขึ้นโดย GE ในปลายปี 2012 IIoT หรือ Industrial Internet of Things คือภาพใหญ่ของแนวคิดที่รู้จักว่า Internet of Things (IoT) IIoT นำศักยภาพของ ML (Machine Learning) และเทคโนโลยี Big Data มาใช้งาน ด้วยนี้ การอัปเกรดเทคโนโลยีอัตโนมัติไปสู่ระดับการทำงานอัตโนมัติ (Self-contained Performance) ระดับถัดไป จะไม่ได้เป็นงานยากอีกต่อไป พิจารณาปริมาณข้อมูลที่เซ็นเซอร์หรือ Internet of Things ทั่วโลกกำลังรวบรวม โดยไม่มีการวิเคราะห์ที่เหมาะสม การใช้ประโยชน์จากสิ่งเหล่านี้จะสิ้นสุดลงและเราจะลบมันในที่สุด นี่จะทำให้กระบวนการรวบรวมข้อมูลไร้ประโยชน์ แต่ด้วย IIoT ข้อมูลสามารถรวมกับระบบอื่นๆ และประมวลผลได้ง่ายขึ้นมาก แต่ Cognitive Anomaly คืออะไร?
Cognitive Anomaly Detection คืออะไร?
CA detection (การตรวจจับ CA) เป็นกระบวนการที่ระบุความผิดปกติในข้อมูล IIoT (ก้อนข้อมูลขนาดใหญ่ที่ไร้ประโยชน์ก่อนหน้านี้) ด้วยความช่วยเหลือจากการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) และการจดจำรูปแบบ (Pattern Recognition) ด้วยเหตุนี้ จำนวน False Alarms (สัญญาณเตือนเท็จ) สามารถลดลงได้อย่างมาก นอกจากนี้ ด้วยการตรวจจับข้อผิดพลาดและความล้มเหลวในเวลาที่เหมาะสม เราสามารถประหยัดเวลาและทรัพยากรได้อย่างมีนัยสำคัญ
มาดูอิทธิพลของ Cognitive Anomaly Detection ต่อ IIoT…
ถ้าสถิติเชื่อถือได้ มีเซ็นเซอร์ใกล้ 6,000 ตัวบนเครื่องบิน A350 ซึ่งสามารถสร้างข้อมูล 2.5 Petabytes ต่อเที่ยวบิน ภาคส่วนอย่าง ผู้ผลิตรถยนต์ โรงไฟฟ้า รอกขุดน้ำมัน เส้นการประกอบ ฯลฯ ก็ไม่ได้อยู่หลัง ด้วยเซ็นเซอร์พันๆ ที่ทำงานต่อเนื่อง พวกมันผลิตข้อมูลปริมาณมหาศาลในแต่ละวัน อย่างไรก็ตาม บริษัท IIoT ไม่สามารถใช้ประโยชน์จากข้อมูลที่ผลิตได้มากกว่า 20% เท่านั้น ยังคงเรากำลังพยายามหาการใช้งานของข้อมูลทั้งหมดนี้ที่รวบรวมมา เพราะเราไม่สามารถระบุรูปแบบที่สำคัญได้ เราต้องหาความผิดปกติในระยะกว้าง เพื่อเพิ่มอัตราการใช้งานของอุปกรณ์และลดเชื้อเพลิงที่จำเป็น
นอกจากนี้ ยังมีความผิดปกติอื่นๆ อีกมาก เช่น ปัญหา Latency (เวลาเลื่อน) ที่ส่งผลต่อข้อมูลเรียลไทม์โดยตรง ความล้มเหลวในการทำนายอายุการใช้งานของชิ้นส่วนเล็กๆ ค่าใช้จ่ายที่เกี่ยวข้องกับแรงงานมนุษย์ และอีกหลายอย่าง
ตามที่กล่าวมา Cognitive Anomaly ได้รับพลังจาก Machine Learning และ Data Analytics ซึ่งช่วย IIoT หาโซลูชันและเอาชนะปัญหาที่วิธีดั้งเดิมล้มเหลวในการทำนายหรือแก้ไข อย่างไรก็ตาม การค้นหาความผิดปกติเพียงอย่างเดียวไม่เพียงพอ เนื่องจากมีหลายประเภทของความผิดปกติ การแยกแยะความผิดปกติที่ดีและไม่ดี กลายเป็นเรื่องยากที่จะแตกแยก ดังนั้น หากเราสามารถเชื่อมต่อและเชื่อมโยง (Correlate) เพื่อทำนายความล้มเหลว เราสามารถประหยัดเวลาและทรัพย์สินจำนวนมหาศาลได้
เรื่องนี้ นักวิทยาศาสตร์ข้อมูล Taj Darra ได้สื่อสารว่า เมื่อ ML ถูกเสริมด้วยเฟรมเวิร์ก IoT เชิงปัญญา (Cognitive IoT Framework) มันช่วยให้ธุรกิจ IIoT ตรวจจับความผิดปกติตั้งแต่การนำเข้าข้อมูลเซ็นเซอร์เบื้องต้น จนถึงการสร้างการทำนายและกำหนดว่าสิ่งใดเป็นความผิดปกติหรือไม่ ในเพียง 2 วัน นี่ค่อนข้างน่าประทับใจ เพราะตอนนี้เซ็นเซอร์ทั้งหมดสามารถวัดได้แบบขนาน (Parallel)
Cognitive Anomaly Detection ทำในขั้นตอน (Phases) และดำเนินการในลำดับที่กำหนดไว้อย่างแม่นยำ Connect (เชื่อมต่อ) Detect (ตรวจจับ) Validate (ตรวจสอบ) Predict (ทำนาย) และ Act (ดำเนินการ) ก่อนอื่น เราเชื่อมต่อเพื่อจัดโครงสร้างแหล่งข้อมูล และจากนั้นเราตรวจจับว่เอนทิตีที่พบสามารถถือเป็นความผิดปกติได้หรือไม่ กระบวนการดำเนินต่อไปในขั้นตอนการตรวจสอบ และจากนั้นทำนาย ทันทีที่กระบวนการนี้เสร็จสมบูรณ์ คุณสามารถเชื่อมต่อกับ API ของระบบของคุณเพื่อดำเนินการ ด้วยการปฏิบัติตามแนวทางนี้ คุณสามารถทำนายการเสียหายของชิ้นส่วนประมาณ 75% ก่อนที่พวกมันจะเริ่มพฤติกรรมผิดปกติ
ดังนั้น เราสามารถพูดได้ว่า การรวมทั้งสองนี้จะช่วยให้เราอัปเกรดแนวปฏิบัติของเรา เราไม่สามารถปฏิเสธได้ว่าปริมาณข้อมูลมหาศาลที่ไม่จำเป็นใช้พื้นที่ เพราะเราขาดแนวปฏิบัติที่มีประสิทธิภาพ การแทนที่วิธีดั้งเดิมด้วยวิธีใหม่ จะแน่นอนบริการจุดประสงค์ของเรา นอกจากนี้ หากเราได้ควบคุมก้อนข้อมูลขนาดใหญ่ที่ผลิตขึ้นทุกวัน เราจะสามารถปรับปรุงการจัดการความล้มเหลวของทรัพย์สิน ลด Downtime ที่ไม่ได้วางแผน ปรับปรุงการทำนายความล้มเหลว ลดต้นทุนการบำรุงรักษา เพิ่มประสิทธิภาพการใช้ทรัพยากร ป้องกันปัญหาคุณภาพ และลดการอ้างคำรับประกัน และเพิ่มอายุการใช้งานของทรัพย์สิน
ถึงเวลาแล้วที่เราต้องอัปเกรด! เราหวังว่านี่จะทำงานได้ตามที่ผู้เชี่ยวชาญข้อมูลสัญญาไว้ เพื่อให้เรามีวันพรุ่งนี้ที่ดีกว่า! มุมมองของคุณเกี่ยวกับเรื่องนี้เป็นอย่างไร โปรดแจ้งในส่วนความคิดเห็นด้านล่าง!
