Obrázek 1: Cloud lze použít ke zpřístupnění dat algoritmům strojového učení používaným v pokročilých analytických aplikacích. Všechny obrázky poskytla společnost Seeq. Obrázek 1: Cloud lze použít ke zpřístupnění dat algoritmům strojového učení používaným v pokročilých analytických aplikacích. Všechny obrázky poskytla společnost Seeq.

Průmyslové organizace již využívají výhod cloud computingu pro IT a obchodní aplikace. Prošlapávají tak cestu k jeho nasazení ve výrobě.

Cloud computing je průmyslovými organizacemi považován za klíčový faktor umožňující ukládání a analýzu dat v objemech, které se zdály před několika lety nepředstavitelné. To je důležité, protože mnoho organizací začíná a končí svou strategii digitální transformace myšlenkou, že lepší využití obrovského množství finančních, zákaznických, dodavatelských a provozních dat zvýší provozní efektivitu a vytvoří nové obchodní modely.

Pokud dnes technici výrobních procesů analytické nástroje založené na cloudu nevyužívají, pravděpodobně je využívá jiné oddělení. Například oddělení lidských zdrojů používá software k analýze údajů o zaměstnancích, analytici v oblasti prodeje a marketingu zase pracují na vyhodnocení poptávky po konkrétních produktech a službách. I když jsou považovány za aplikace pro zvýšení produktivity nebo podnikovou informovanost, ve většině společností jsou také vstupní branou pro cloudovou analytiku.

V zájmu implementace strategií digitální transformace došlo k vzestupu cloudové analytiky (aplikací, nástrojů a metod umístěných v cloudu namísto v závodě), což organizacím umožňuje rychle získat přehled o datech. Cloud tento proces zjednodušuje, protože umožňuje rychlý náhled na mnohem více dat různých typů s téměř nekonečnou škálovatelností výpočetních zdrojů. To umožňuje zaměstnancům řešit rostoucí množství složitých obchodních výzev v reálném čase. 

Definování pojmů cloudové analytiky

Cloudová analytika je obecný pojem odkazující na několik vrstev výpočetních schopností. První je základní cloudová infrastruktura, vrstvy operačního systému a hardwaru, které jsou potřebné k hostování dat a aplikací v cloudu. Nad touto infrastrukturou je vrstva správy dat v cloudové službě nebo v datovém jezeru, kde jsou uloženy různé typy dat, včetně strukturovaných a nestrukturovaných textových dat, videodat a datových proudů IoT. Aplikace v analytické vrstvě tato data využívají. Provádějí se výpočty, které vizualizační vrstvě poskytují informace potřebné pro tvorbu trendů, zpráv, přehledových panelů a jiných náhledů.

Ve výrobě se analytika tradičně prováděla v závodech za použití kombinace historických dat a analytických tabulek pro jednoúčelové diagnostické, prediktivní nebo provozní přehledové panely pro závod. To se však mění s tím, jak jsou realizovány výhody cloudové analytiky.

Očekávané přínosy

Aplikace nasazené v cloudu využívají hlavních výhod schopností cloudu. První je model pronájmu cloudu ve srovnání s investičními náklady spojenými s hardwarem a infrastrukturou. Firemní oddělení informačních technologií (IT) již nemusí zajišťovat a udržovat drahé servery, které by hostovaly tyto aplikace, a výsledkem je model transakčního účtování („pay-as-you-go“), kdy se výpočetní zdroje využívají na vyžádání.

Příkladem je internetový obchod, který realizuje 90 % svých transakcí v několika týdnech před vánočními svátky. Před využitím cloudu musel tento maloobchodník zakoupit dostatek serverů, aby zvládl provoz na webu v době exploze poptávky na vrcholu sezóny, zatímco po zbytek roku zůstal téměř nečinný.

V průmyslovém kontextu, protože odborníci využívají nové analytické nástroje k získání většího náhledu do svých provozních údajů, je nutná větší flexibilita. Tito odborníci možná budou chtít analyzovat nové zdroje dat, jako jsou provozní údaje a kontextová data, a organizace možná budou muset zpřístupnit analytické nástroje více odborníkům i dalším uživatelům, aby umožnily lepší spolupráci a rozhodování.

Dalším hnacím motorem většího využívání cloudu je schopnost zkoumat nové typy analytiky, jako je zpřístupnění historických dat a procesních dat téměř reálného času pro strojové učení (obrázek 1). Mnoho výrobců sice nechce spouštět modely strojového učení ve svých řídicích systémech v reálném čase, ale zároveň chce využívat tyto a další pokročilé funkce ke zvýšení kvality produktů a k předpovídání optimálních oken údržby, aby se zabránilo neplánovaným prostojům, ale existuje  i řada dalších důvodů. Kopírování provozních dat do cloudu dává tato data k dispozici pro strojové učení, což umožňuje zkoumat nové analytické modely bez rizika dopadu na zdrojová výrobní data nebo na jakékoli stávající aplikace, které se o tato data opírají.

Cloudová analytika usnadňuje zpřístupnění doposud izolovaných souborů dat (datových sil) tak, aby uživatelé mohli přistupovat k datům a připojovat se k nim bez ohledu na jejich zdroj. Jakmile jsou tato datová sila propojena prostřednictvím cloudu, mohou odborníci a další uživatelé (obrázek 2) rozšířit analytiku na provozy po celém světě a vytvořit metody prohlížení globálních provozních přehledů, aby zajistili co nejlepší obchodní přínosy. 

CTL2003 MAG2 F2 SW BigData Seeq Fig2Obrázek 2: Zaměstnanci v různých odděleních mají přístup ke cloudovým datům a analytice po celém světě.

Cloudová analytika: Jak začít

Při implementaci cloudové analytiky je důležité začít od konce. Energetické a výrobní společnosti příliš často tráví značný čas plánováním a migrací dat či aplikací do cloudu, aby se po přesunutí dat zeptaly: „A co teď?“ Přesouvání dat nebo agregace dat v cloudovém datovém jezeru nezvyšuje jejich hodnotu – je to jen krok na cestě k implementaci komplexní strategie analýzy dat.

Nejjistějším způsobem, jak se tomuto výsledku vyhnout, je zajistit, aby se do jakéhokoli analytického projektu včas zapojili odborníci. Pouze lidé s hlubokou procesní odborností a představou o jedinečném dopadu jednotlivých kroků v rámci širších provozních postupů mohou zajistit, že tato data povedou k náhledům a produktivní akci. Čím více relevantních, snadno použitelných a flexibilních analytických aplikací dostanou odborníci k dispozici, tím rychlejší bude návratnost investic.

U provozních dat a modelu cloudového computingu je však potřeba dát si pozor na to, aby týmy IT odolaly pokušení sumarizovat procesní data v cloudu nebo použít obchodní pravidla ještě před připojením aplikace cloudové analytiky k datům. Když jsou data sumarizována, někdo bez přímé znalosti o výrobním prostředku nebo procesu předurčuje, co by odborník mohl chtít zkoumat, což může snížit jejich potenciální přínos. Nejlepší je uložit všechna data v jejich nativní formě, aby se ostatní odborníci mohli při analýze rozhodnout, jak a co modifikovat, například provést čištění dat a přistupovat k určité sadě dat pro účely průzkumu a vývoje modelů. 

Příklady úspěšného využívání cloudu

Energetická společnost s více než 50 lokalitami rozptýlenými ve velkém a geograficky náročném prostředí byla schopna úspěšně implementovat cloudovou analytiku založenou na cloudu tím, že začala se šesti techniky v jedné lokalitě. Tito technici identifikovali tři případy použití: monitorování integrity výrobních prostředků a trendů výkonu, prediktivní údržbu a prognózování výroby.

Během 90 dnů se tým rozšířil na více než 50 techniků ve více než 10 lokalitách, kteří s těmito případy použití spojili nové zdroje dat s využitím sdílených cloudových prostředků pro ukládání a spolupráci. Tím se uvolnila stavidla kreativity těchto techniků, kteří našli desítky dalších případů použití pro získávání náhledů, zvýšení dostupnosti výrobních prostředků a zlepšení výsledků produkce (obrázek 3).

CTL2003 MAG2 F2 SW BigData Seeq Fig3Obrázek 3: Odborníci využívají nástroje společnosti Seeq k přímé interakci se zájmovými údaji a k získávání poznatků

Zahájením v malém měřítku a využitím cloudu pro rychlé škálování analytiky do většího rozsahu mohli vlastníci projektu změřit prokazatelný obchodní dopad a získat tak pro svou věc více uživatelů a lokalit.

V následujícím kroku organizace připojí další data IoT ze vzdálených lokalit, přičemž je třeba mít na paměti dva kritické faktory – latenci sítě a výkon analytiky. Uživatelé by nepoužívali těžkopádné analytické nástroje se slabým výkonem a nadměrným zpožděním, proto je nutné tyto faktory řešit.

Před implementací cloudu byly přehledy z těchto vzdálených lokalit podávány off-line a manuálně. K vyřešení těchto problémů společnost využívá hybridní cloudový přístup s analytikou na okraji, kdy se zachovávají některé výpočetní a analytické zdroje na okraji nebo blízko zdroje dat a výsledky se odesílají do cloudu, když je síť k dispozici.

Výrobní průmysl je stále v počátcích cloudové analytiky, ale již se objevují důležité poznatky o implementaci. Společnosti si musejí držet odborníky v centru všech analytických aktivit a mohou využít cloud k rozšiřování nebo zmenšování záběru pro připojení datových sil. Nezpracovaná data by měla být zachována celá, aby byla zajištěna flexibilita pro analytiku a tvorbu náhledů. Rovněž musí být zajištěna spolupráce napříč týmy a pracovišti, aby se dosáhlo návratnosti investice a rozšíření možných obchodních dopadů.

Spojení vhodného pokročilého analytického softwaru s cloudovými platformami již využívanými většinou organizací přinese výhody v podobě zvýšení provozní efektivity.

Megan Buntainová, ředitelka pro partnerství v cloudu společnosti Seeq Corp. Upravil Chris Vavra, zástupce šéfredaktora časopisu Control Engineering, CFE Media and Technology, Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript..

Control Engineering Česko

Control Engineering Česko je přední časopis o průmyslové automatizaci. Je vydáván v licenci amerického Control Engineering, které poskytuje novinky z této oblasti více než 60 let.

www.controlengcesko.com