Industry 4.0 e Analytics: espandere gli orizzonti della Business Intelligence

Cloud

,

Industry 4.0

,

Analytics and EPM

,

Blog

Industry 4.0 e Analytics: espandere gli orizzonti della Business Intelligence

Techedge | Ago 23, 2018

Il concetto di Industry 4.0 ha allargato gli orizzonti della Business Intelligence. Nuove fonti di dati, mai state prese in considerazione fino ad oggi, ci consentono di ottenere più informazioni e conferiscono ancor più valore al sistema analitico. Sono nati nuovi approcci e campi d'applicazione, come il monitoraggio in tempo reale e la manutenzione predittiva: una possibilità di analisi potenziata, mai vista prima.

L'evoluzione del modello industriale verso ambienti digitalizzati ha permesso l'emergere di nuovi attori nel mondo degli analytics. Una delle basi fondamentali che sostengono questa evoluzioni è l'Internet of Things (IoT): la disponibilità di sensori sempre più economici, l'aumento di infrastrutture per la comunicazione, la riduzione del costo dei sistemi di storage e anche la facile scalabilità di queste soluzioni, hanno permesso di implementare rapidamente questi sistemi all'interno degli ambienti industriali - aggiungendo nuovi livelli di conoscenza ai sistemi informativi.

Nello scenario attuale, l'introduzione di questi nuovi livelli di conoscenza ci consente di ottenere nuovo vantaggio competitivo, ammesso che siamo in grado di attribuire un significato a tutte queste informazioni. Non si tratta di quali strumenti dotiamo di sensori, nè di quali dati raccogliamo - ma piuttosto di capire cosa vogliamo ottenere da queste informazioni. Il successo di questo tipo di progetti dipende dalla potenza degli strumenti (che integrano analisi e previsioni), dalla velocità di deployment, dalla capacità di adattarsi a ogni necessità e dai risparmi che si possono ottenere.

La capacità della rappresentazione analitica è praticamente infinita

La capacità di rappresentazione analitica delle informazioni è praticamente infinita

Elaborazione e archiviazione

Un elemento importante dietro al boom di Industry 4.0 è l'abilità di analizzare immediatamente le informazioni raccolte, rendendo possibile prendere decisioni in tempo reale (edge data integration). La capacità di distinguere tra un comportamento normale e uno anomalo implica un risparmio di tempo e denaro, di cui dobbiamo tener conto, e questo nuovo scenario di analisi ha cambiato il modo di lavorare a livello operativo. Questo rappresenta un'evoluzione anche per gli analisti stessi: dal lavorare su un database al lavorare con un data stream, dall'utilizzare informazioni che derivano dalle attività di business a informazioni raccolte da ambienti fortemente influenzati dall'hardware.

Tuttavia non stiamo parlando soltanto di edge analytics, ma anche di analisi predittiva. L’abilità di installare modelli direttamente sul macchinario o sull’hardware di un sensore può consentire il pieno controllo sul comportamento futuro della catena di produzione, evitando  deviazioni dagli standard di qualità e arresti non pianificati a causa di incidenti meccanici, o permettendo la programmazione di attività automatiche di manutenzione.

Un altro fattore che entra in gioco nei progetti di Industry 4.0 è il data processing, l'elaborazione dei dati. Le sfide principali in questo ambito consistono nel distinguere tra dati rilevanti o ridondanti, comprendere se sia necessario conservare l’informazione o se invece tutti i significati possibili siano già stati estratti, e definire il livello di aggregazione. Dobbiamo inoltre considerare l’uso che intendiamo fare delle informazioni - specialmente se stiamo parlando di progetti di real-time analytics o di analisi predittiva - e il modello di archiviazione dei dati, prendendo in considerazione le numerose opzioni di storage in Cloud disponibili oggi (anche se, in questo caso, dovremo prima superare la paura di perdere il controllo sui dati in questione).

In questo senso dobbiamo sempre tenere a mente le restrizioni legali (ad esempio il GDPR) e i vincoli sulle comunicazioni, che ci obbligano a garantire lo storage dei dati anche in caso di problemi di connessione, assicurando una larghezza di banda tale da permettere uno streaming di dati fluido.

Visualizzazione dei dati

Una volta che i dati sono stati ricevuti e immagazzinati, dobbiamo utilizzare le informazioni ottenute. Esistono diverse opzioni e la capacità di rappresentazione analitica delle informazioni è praticamente illimitata: dalle dashboard per il monitoraggio in tempo reale e la gestione degli avvisi attraverso strumenti di decision-making, alla presentazione delle informazioni storiche e relative all'evoluzione di un sensore o degli indicatori di allarme.

Questo è il momento in cui uno degli ostacoli più importanti si presenta di solito in questo tipo di progetti, dato che è necessario conoscere molto bene il potere di rappresentazione di ogni piattaforma, oltre alla loro capacità di processare, modificare e rappresentare i dati alla giusta velocità. Data la grande quantità di opzioni disponibili, è fondamentale analizzare i vincoli tecnici di ciascuna piattaforma, i vantaggi che ognuna di queste può portare e i vincoli intrinseci del progetto (soluzione on-premise o cloud, frequenza di aggiornamento, etc.).

L'elaborazione dei dati è un fattore chiave nei progetti Industry 4.0

L'elaborazione dei dati è un fattore chiave nei progetti Industry 4.0

Predizione

In ogni progetto Industry 4.0, uno dei fattori chiave è la capacità di analisi predittiva che può essere integrata attraverso l’applicazione di modelli sull'edge layer, descritto sopra, tramite sistemi 'esperti', algoritmi di base o machine learning. In base alle necessità di progetto, potremmo aver bisogno di una semplice proiezione temporale, un’analisi dei trend o, in casi più estremi, dell’applicazione di una rete neurale o di algoritmi di deep learning. È proprio qui che la conoscenza delle diverse piattaforme e l'esperienza nel project management diventano fondamentali.

Dobbiamo tenere conto del fatto che le informazioni di cui abbiamo bisogno per costruire un modello saranno disponibili solo dopo il setup del sistema di sensori. Una corretta programmazione delle diverse fasi di progetto è quindi necessaria per poter permettere l’acquisizione di un set di dati di test e la loro validazione secondo il modello che vogliamo sviluppare.

L’abilità del data scientist di riflettere le necessità di business in robusti modelli predittivi, e con alte probabilità di successo, sarà altresì cruciale. La tendenza attuale è di assegnare al data scientist un doppio ruolo: da una parte ha la responsabilità di astrarre le necessità di business (citizen data scientist), dall’altra è un profilo tecnico in grado di scegliere l’algoritmo più adatto a ogni necessità e parametrizzarlo correttamente.

Soluzioni analitiche

Esiste una grande disponibilità di soluzioni che permettono lo sviluppo di progetti di Industry 4.0, indipendetemente dalla loro tipologia. Il trend attuale è offrire strumenti cloud-based per gli analytics, come SAP Analytics Cloud, Microsoft Power BI e Qlik Sense Cloud. Queste piattaforme presentano costi molto contenuti, non richiedono alcuna infrastruttura e sono molto flessibili in termini di licensing.

Inoltre, queste soluzioni permettono un accesso multi-piattaforma (web browser, mobile, tablet), presentano un’interfaccia moderna e piacevole e sono davvero user-friendly.

D'altro canto, è anche importante prendere in considerazione i servizi cloud modulari (Amazon Web Services, Microsoft Azure, Google Cloud), che permettono di adattarsi a ogni caso specifico attivando i moduli necessari e pagando soltanto in base all’uso. Infine, dobbiamo considerare gli strumenti specifici per la manutenzione predittiva, come SAP Predictive Maintenance and Service o SAS Asset Performance Analytics.

Iscriviti!