1

Các trường hợp sử dụng thịt và khoai tây thực sự của người Viking sau các trường hợp sử dụng dữ liệu lớn có thể xoay quanh việc quản lý dữ liệu máy và phân tích công nghiệp.

Trong khi dữ liệu lớn về xã hội, người tiêu dùng, bán lẻ và di động nhận được rất nhiều PR, thì các trường hợp kinh doanh dữ liệu lớn xung quanh việc phân tích dữ liệu máy công nghiệp hoặc những thứ mà quay xoáy thực sự có ý nghĩa kinh tế. Các dự án này có xu hướng hiển thị lợi tức đầu tư hữu hình (ROI).

Khái niệm về các máy được kết nối Internet thu thập dữ liệu từ xa và giao tiếp, thường được gọi là Internet of Things hay M2Mật đã được bán trên thị trường trong vài năm:

- IBM có sáng kiến ​​hành tinh thông minh hơn

- Cisco có sáng kiến ​​Internet Internet về mọi thứ

- GE có sáng kiến ​​Internet công nghiệp của họ.

Để cạnh tranh với GE triệt .Hitachi, United Technologies, Siemens, Phillips và những người khổng lồ công nghiệp khác đều tham gia vào đoàn xe.

Trọng tâm của các công ty công nghiệp sản xuất tua-bin nhà máy điện, đầu máy xe lửa, động cơ máy bay, phân phối điện hiệu quả, thiết bị hình ảnh y tế, chẩn đoán y tế, vv khác với Dữ liệu lớn của người tiêu dùng. Trường hợp kinh doanh tập trung vào tăng hiệu quả và cải thiện năng suất hơn là một sự đổi mới hoặc kinh nghiệm mới. Tuy nhiên, các thành phần cơ bản là như nhau - các công cụ từ khoa học dữ liệu, học máy, trực quan hóa và quản lý các luồng dữ liệu khổng lồ từ các cảm biến nhỏ hơn, mạnh hơn và rẻ hơn.

Con sâu bướm, Komatsu và các đại gia thiết bị khác cũng đang đẩy mạnh các trường hợp sử dụng dữ liệu máy. Lấy ví dụ John Deere, sử dụng cảm biến + GPS để hỗ trợ nông dân quản lý đội tàu nông nghiệp của họ. Mục tiêu là giảm thời gian chết của máy kéo, kết hợp cũng như tiết kiệm nhiên liệu. Thông tin được kết hợp với dữ liệu lịch sử và thời gian thực liên quan đến dự báo thời tiết, điều kiện đất đai, tính năng cây trồng và nhiều bộ dữ liệu khác. Thông tin được trình bày trong nền tảng MyJohnDeere.com cũng như trên ứng dụng iPad và iPhone Mobile Farm Manager để giúp nông dân tìm ra loại cây trồng nào sẽ được trồng ở đâu và khi nào, khi nào và ở đâu, nơi nào sẽ mang lại lợi nhuận tốt nhất với các loại cây trồng và thậm chí con đường nào để đi theo. Mục tiêu mục tiêu - sản xuất và doanh thu cao hơn cho nông dân.

Các nguyên tắc cơ bản đằng sau các sáng kiến ​​và dự án này khá giống nhau. Nếu các phân tích xung quanh dữ liệu máy chỉ đạt được cải thiện hiệu suất 1% trong việc giảm chi phí hoặc tăng hiệu quả thì trường hợp kinh doanh cho thu thập dữ liệu máy, thu hoạch và phân tích thực sự ấn tượng.

Dưới đây là một vài ví dụ ROI từ cải thiện 1% năng suất trong các ngành công nghiệp khác nhau:

  • Ngành hàng không thương mại - cải thiện 1% trong tiết kiệm nhiên liệu sẽ mang lại khoản tiết kiệm 30 tỷ đô la trong 15 năm.
  • Tiện ích - Trong đội tàu của nhà máy điện chạy bằng khí đốt toàn cầu, cải thiện 1% có thể mang lại khoản tiết kiệm nhiên liệu 66 tỷ đô la.
  • Ngành chăm sóc sức khỏe toàn cầu - Tăng 1% hiệu quả từ việc giảm hiệu quả của quy trình trên toàn cầu có thể mang lại hơn 63 tỷ đô la tiền tiết kiệm chăm sóc sức khỏe.
  • Mạng lưới đường sắt - Vận chuyển hàng hóa trên khắp các mạng lưới đường sắt thế giới, nếu được cải thiện 1% có thể mang lại khoản lãi tiết kiệm nhiên liệu khác là 27 tỷ đô la.
  • Thăm dò dầu khí thượng nguồn - cải thiện 1% trong sử dụng vốn thăm dò và phát triển dầu khí thượng nguồn có thể đạt tổng cộng 90 tỷ đô la trong chi tiêu vốn tránh hoặc hoãn lại.

Sự hội tụ của các thiết bị thông minh, mạng thông minh và quyết định thông minh chắc chắn là nền tảng cho sự tăng trưởng tiếp theo hoặc tăng năng suất. Đây là một đồ họa tuyệt vời từ GE mà tôi thấy thú vị.

Các trường hợp sử dụng phân tích dữ liệu máy 1%

Vì vậy, một số trường hợp sử dụng phù hợp với Phân tích dữ liệu máy sẽ cho phép cải thiện 1% là gì?

Quản lý tài sản và bảo trì dự đoán  là một trường hợp sử dụng phổ quát. Máy móc có xu hướng thất bại cuối cùng vì vậy tối ưu, chi phí thấp, bảo trì máy trên các đội tàu được tạo điều kiện bởi các hệ thống thông minh là trường hợp sử dụng tiêu chuẩn. Một cái nhìn tổng hợp trên các máy, bộ phận và các bộ phận riêng lẻ cung cấp một tầm nhìn về trạng thái của các thiết bị này và cho phép số lượng bộ phận tối ưu được phân phối vào đúng thời điểm đến đúng vị trí. Điều này giảm thiểu các yêu cầu kiểm kê bộ phận và chi phí bảo trì, và cung cấp mức độ tin cậy của máy cao hơn. Tối ưu hóa bảo trì hệ thống thông minh có thể được kết hợp với học tập mạng và phân tích dự đoán để cho phép các kỹ sư thực hiện các chương trình bảo trì phòng ngừa có khả năng nâng tỷ lệ tin cậy của máy lên mức cao chưa từng thấy.

Tối ưu hóa chuỗi cung ứng.  Để minh họa chuỗi cung ứng và thách thức hậu cần được giải quyết với các cảm biến và dữ liệu máy, hãy xem xét chuỗi cung ứng chuối. Chuối là một mặt hàng phổ biến trong bất kỳ cửa hàng tạp hóa nào, hầu hết mọi người đều mua chúng và cả giá cả và độ chín phải vừa phải. Để đảm bảo rằng không có chùm nào quá xanh hoặc quá nâu, chuối được hái và đóng gói để chúng chín trong quá trình vận chuyển. Mục tiêu cho mỗi lô hàng là đến cửa hàng ngon và sẵn sàng để mua. Nhưng điều này tạo ra một cơn ác mộng hậu cần Thời gian là tất cả mọi thứ, và quá sớm cũng tệ như quá muộn. Khi chuối đến trong tình trạng xấu, toàn bộ xe tải phải được từ chối và xử lý an toàn. Các chuỗi cung ứng sản xuất và dễ hỏng đang ngày càng được nhắm mục tiêu cải thiện 1%.

Tối ưu hóa mạng lưới chăm sóc sức khỏe  Hoạt động của các máy được kết nối trong một hệ thống có thể được phối hợp để đạt được hiệu quả hoạt động ở cấp độ mạng. Ví dụ, trong chăm sóc sức khỏe, tài sản có thể được liên kết để giúp các bác sĩ và y tá chuyển bệnh nhân đến các trạm chăm sóc phù hợp nhanh hơn. Thông tin sau đó có thể được truyền liền mạch đến các nhà cung cấp dịch vụ chăm sóc và bệnh nhân dẫn đến thời gian chờ đợi ngắn hơn, sử dụng thiết bị cao hơn và chăm sóc chất lượng tốt hơn.

Tối ưu hóa vận chuyển . Các hệ thống thông minh cũng rất phù hợp để tối ưu hóa tuyến đường trong các mạng giao thông hoặc mạng phân phối như FedEx hoặc UPS. Các phương tiện được kết nối sẽ biết vị trí và điểm đến của riêng mình, nhưng cũng có thể được cảnh báo về vị trí và điểm đến của các phương tiện khác trong hệ thống cho phép tối ưu hóa định tuyến để tìm giải pháp cấp hệ thống hiệu quả nhất.

Tất cả các trường hợp sử dụng này - lưu trữ, quản lý và phân phối giá trị từ các tập dữ liệu lớn, nhanh - có xu hướng có cấu trúc thu thập, thu hoạch và phân tích dữ liệu tương tự. Xem thêm bài đăng trên blog bổ sung -  Các trường hợp sử dụng dữ liệu lớn

Kiến trúc cơ bản của Internet công nghiệp GE đang xây dựng

Kho dữ liệu cổ điển và phân tích hàng loạt không khả thi đối với internet công nghiệp tần số cao. Một cơ sở hạ tầng mở rộng giữa phân tích trong bộ nhớ luôn luôn, thời gian thực và gần thời gian thực, phân tích bộ nhớ và học máy, phân tích hàng loạt tại các vị trí khác nhau từ máy đến đám mây - riêng tư, công cộng hoặc lai - là nền tảng cần thiết.

GE gần đây đã đầu tư 105 triệu đô la vào spinout mới từ VMware và EMC có tên là Pivotal. Pivotal One là một Dịch vụ nền tảng doanh nghiệp (PaaS) cho phép tạo các ứng dụng phân tích hoặc dữ liệu lớn cấp độ người tiêu dùng. Pivotal PaaS đang cố gắng cung cấp kết cấu dữ liệu là sự hội tụ của vFoven, Quan hệ đối tác kênh, Chiến lược lưu trữ lai và Sản xuất và phân phối thiết bị và Tối ưu hóa vSphere / vCloud.

Tóm lược

Dữ liệu lớn trong môi trường công nghiệp sẽ là nơi diễn ra một số hành động lớn. Toàn bộ sức mạnh của Internet công nghiệp hoặc Internet của mọi thứ, rõ ràng hiện thực hóa với một yếu tố thứ ba là dữ liệu và phân tích. Các quyết định thông minh xảy ra khi dữ liệu từ các thiết bị và hệ thống được phân tích để tạo điều kiện cho việc học tập dựa trên dữ liệu, từ đó cho phép các chức năng vận hành ở cấp độ mạng và máy được tự động hóa. Hệ thống kiểm soát phản hồi thông minh.

Theo nghiên cứu của GE dưới đây, tác động kinh tế của việc này khá quan trọng và lớn.

Ghi chú và Tài liệu tham khảo

  • Hãy kiểm tra Viện công nghệ nano người lính của MIT  , để biết một số xu hướng đáng kinh ngạc trong việc hợp nhất giữa RFID và cảm biến
  • GE dường như đi trước mọi người khác trong việc thực hiện tầm nhìn. GE đang thực hiện một cú hích xung quanh Internet công nghiệp Internet - mang trí thông minh kỹ thuật số vào thế giới vật lý. Nó đã tạo ra một bộ phận phân tích và phần mềm mới với đội ngũ hơn 1000 nhà khoa học máy tính và nhà phát triển phần mềm, đầu tư 2 tỷ đô la vào năm 2015.
  • John Deere sử dụng ngôn ngữ lập trình nguồn mở  R  để phân tích dữ liệu. R giúp John Deere dự báo chính xác nhu cầu, dự báo năng suất cây trồng, xác định diện tích và việc sử dụng đất cũng như giúp John Deere dự báo nhu cầu cho các bộ phận (dự phòng) của tổ hợp. Họ sử dụng  Kết nối cơ sở dữ liệu mở  để chuyển nhiều nguồn dữ liệu và loại dữ liệu. R sau đó được sử dụng để xuất dữ liệu này sang các kênh khác nhau.
  • GE ước tính rằng những cải tiến kỹ thuật của Internet công nghiệp có thể tìm thấy ứng dụng trực tiếp trong các lĩnh vực chiếm hơn 32,3 nghìn tỷ đô la trong hoạt động kinh tế. Khi nền kinh tế toàn cầu phát triển, ứng dụng tiềm năng của Internet công nghiệp cũng sẽ mở rộng. Đến năm 2025, nó có thể được áp dụng cho 82 nghìn tỷ đô la sản lượng hoặc khoảng một nửa nền kinh tế toàn cầu.
  • Ngoài ra, hãy xem bài đăng bổ sung trên blog   Splunk và Machine Dat a Analytics
  • GE đang nắm giữ 10% cổ phần và đầu tư 105 triệu đô la vào  Pivotal , công ty con từ EMC và VMware. GE cũng đã hợp tác với Accdvisor để tạo ra Taleris - một liên doanh cung cấp cho các hãng hàng không và hãng vận chuyển hàng hóa trên toàn thế giới các dịch vụ vận hành thông minh, tập trung vào nâng cao hiệu quả bằng cách tận dụng dữ liệu hiệu suất máy bay, tiên lượng, phục hồi và lên kế hoạch tối ưu hóa.
  • http://www.gesoftware.com/Industrial_Big_Data_Pl platform.pdf
|