От усовершенствования технологии цифрового двойника до развития компьютерного зрения — вот некоторые, по оценкам вице-президента компании SAS Джейсона Манна, ключевые тенденции 2023 г., сообщает портал IoT World Today.
В последние годы аналитика стала неотъемлемой частью Интернета вещей (IoT). Промышленные предприятия, транспортные и энергетические компании, а также правительства по всему миру продолжают внедрять эти технологии для повышения эффективности работы и значительной экономии средств и операционных затрат.
Передовые аналитические технологии, такие как искусственный интеллект, потоковая аналитика и машинное обучение, в сочетании с технологиями IoT и датчиками могут помочь повысить эффективность «умных» заводов, сетевой инфраструктуры и даже целых городов. Но что принесет 2023 г. в этой важной области?
Развитие аналитики в IoT
По мнению Манна, в следующем году в IoT-аналитике проявятся четыре основные тенденции: рост автоматизированного МО (AutoML) с применением low-code/no-code, усовершенствование технологии цифрового двойника, промышленное внедрение компьютерного зрения (CV) и размывание границ между периферией и облаком. Они не означают отхода от трендов предыдущих лет, а скорее являются продолжением рыночных траекторий после пандемии.
В частности, прогнозируется повышение доступности промышленного ИИ благодаря AutoML с low-code/no-code, причем эти модели будут предоставляться через маркетплейсы самообслуживания и с возможностью дополнения пакетными услугами для настройки и развертывания.
По словам Манна, в 2023 г. мы также увидим больше специализированных приложений цифровых двойников, предназначенных для определенных сценариев применения в энергетике, оптимизации инфраструктуры и промышленном производстве. Ожидается, что предприятия будут все активнее внедрять CV и другие технологии ИИ, причем их применение будет выходить за рамки нишевых сценариев использования ИТ-персоналом и специалистами по анализу данных. По словам Манна, инициативы в области CV будут направлены на повышение производительности, операционной эффективности и безопасности.
Наконец, поскольку такие гипермасштабируемые облачные сервисы, как Microsoft Azure, Amazon Web Services и Google Cloud Platform, начинают развертывать основные облачные сервисы на периферии, edge-вычисления станут продолжением облачных. Рабочие нагрузки будут интеллектуально распределяться по гибридным средам. Это будет означать быстрое внедрение аналитики IoT на периферии для повышения эффективности принятия решений на уровне источника данных.
Low-code и no-code
«Мы продолжим наблюдать за расширенным внедрением инициатив IoT в различных отраслях. Динамика в этой области наблюдается уже довольно давно. Но если оглянуться на три-четыре года назад, то тогда основное внимание уделялось идее проверки концепции (POC), сейчас же предприятия переходят от этих POC к чему-то более устойчивому и долгосрочному, — говорит Манн. — В прошлом году мы видели, что организации хотят протестировать проекты IoT и аналитики и доказать, что они могут генерировать ценность. В нынешнем произойдет переход от узких PoC к более широкому внедрению, поскольку предприятия начинают видеть значительную отдачу от своих проектов».
Сейчас трудно представить себе время, когда аналитика не была неотъемлемой частью каждого сценария использования IoT, однако в течение нескольких лет происходил постепенный сдвиг — по мере того, как системы, связанные с Интернетом вещей, становились все более понятными и все шире внедрялись. Основным фактором такого роста доступности технологии стало развитие low-code/no-code-аналитики.
«Главная цель low-code/no-code-аналитики заключается в том, чтобы каждый мог преобразовывать данные в инсайты, — говорит Манн. — Среды low-code/no-code открывают такую возможность для компаний, не обладающих значительными ресурсами специалистов по анализу данных».
По его словам, одной из отраслей, которая действительно внедряет IoT и аналитику, является промышленное производство. Аналитика и данные больше не являются сферой деятельности только «белых воротничков» и «синих воротничков», они начинают использоваться людьми по всей цепочке поставок.
Цифровые двойники
Распространение датчиков также означает, что представлять системы в цифровой среде становится все проще. Это приводит к следующей прогнозируемой тенденции — усовершенствованным технологиям цифровых двойников.
«Как только вы сможете точно воспроизвести реальную систему в цифровом мире, вы сможете начать играть с переменными с целью оптимизации физических элементов без влияния на повседневную работу, — говорит Манн. — Сегодня вы можете начать создавать цифрового двойника вашей инфраструктуры и начать двигать эти рычаги, чтобы смоделировать возможные проблемы в какой-либо части цепочки поставок и принять меры для их устранения до того, как они возникнут».
По его словам, использование аналитики распространилось на IoT семь или восемь лет назад. Но это было скорее расширение экосистемы, чем полный переход. Большинство аналитических процедур раньше включали в себя получение доступа к огромным объемам данных, их перемещение по сети и приведение в единообразную среду. Затем шел процесс создания алгоритмов, которые рассматривали эти данные и генерировали инсайты, которые распространялись для потребления. «Семь или восемь лет назад изменения в технологии датчиков изменили ландшафт. Широкое распространение получили более дешевые и мощные датчики, и их развертывание помогло перенести принятие решений в точку происхождения данных — на периферию, на датчик с потоковыми данными в реальном времени, с использованием мощной аналитики», — говорит Манн.
Промышленное внедрение компьютерного зрения
«Многие люди связывают CV с обнаружением объектов, — говорит Манн. — Но это сфера, которая имеет широкий спектр применения и в которой мы наблюдаем большой рост. Вы можете использовать CV для определения области, требующей мониторинга, и установки системы предупреждений операторов о том, что что-то произошло, а со временем определения проблемных мест, которые они могут исправить с помощью обучения».
Огромным преимуществом этой технологии, конечно же, является предиктивное обслуживание, позволяющее операторам выявлять и устранять особенно аварийные или проблемные участки, хотя Манн подчеркивает, что это только вершина айсберга в использовании CV.
«Мы все чаще видим более широкое применение CV, чем просто предиктивное обслуживание, — говорит он. — Зачастую это обнаружение эксплуатационных дефектов в режиме реального времени. Большим преимуществом CV является то, что это, как правило, не заменяющая технология. Вам не нужно устанавливать огромное количество датчиков или вносить изменения в систему или оборудование, это может быть просто установка камер. Это малозатратная мера, которая может значительно улучшить качество предиктивного обслуживания или безопасности, и, я думаю, именно поэтому она начинает получать широкое распространение».
Размывание границы между облаком и периферией
«Раньше существовала четкая грань между онпремисными или внутриоблачными вычислениями и периферийными вычислениями, — говорит Манн. — Периферия была сферой сетевых компаний, предоставляющих распределенные устройства, которые находятся вне облака. В течение последних
Этот сдвиг от облака к онпремис вызвал рост применения гибридных сред.
«Цель состоит не в том, чтобы внедрить заменяющую технологию, а в том, чтобы предоставить возможность, добавляющую ценность. И все наши методы представления или потребления данных основаны на этой предпосылке», — говорит Манн.
По его словам, преимущество для компаний от использования аналитических методов кроется не только в МО или IoT, а также в возможности определения масштаба проблемы и достижения конкретного результата. «Они позволяют достичь наибольшего успеха за наименьшее количество времени», — уверен Манн.
