ИТ / Статьи
интернет вещей
29.11.2019

Как правильно внедрить IoT на производстве

Почему некоторые проекты в сфере интернета вещей остаются пилотами и как этого избежать

Многие эксперты называют интернет вещей (IoT, Internet of Things) технологией, которая может кардинально изменить современные бизнес-процессы. Илья Кошкин, старший менеджер направления инфраструктурных сервисов компании Accenture в России, рассказывает о главных факторах успеха и причинах провала IoT-проектов на производственных предприятиях.


БЕЗ АНАЛИТИКИ НЕ ОБОЙТИСЬ

Сегодня можно говорить о том, что бизнес все еще до конца не осознает потенциал IoT. Есть заинтересованность в технологии и опыт отдельных удачных пилотных проектов, но нет понимания, как извлечь из интернета вещей максимальную пользу и тиражировать успех в масштабах всей организации.

Компаниям не хватает восприятия IoT как полноценно работающей технологии. Все знают, что есть датчики, данные с которых можно собирать, хранить и обрабатывать. Но зачем это нужно и как применить эти возможности на практике, понимает довольно ограниченный круг специалистов внутри компаний.
Общая концепция IoT неразрывно связана с последующим глубоким анализом собранных данных и способностью принимать бизнес-решения на основе полученных выводов. Грубо говоря, 

интернет вещей на уровне датчиков и хранилища данных без надстройки в виде аналитических решений и искусственного интеллекта – пустая трата ресурсов

Возьмем любое промышленное производство. IoT позволит собрать огромный массив данных о работе оборудования, записав определенные параметры в рамках производственного цикла. Однако вся эта информация без аналитики будет почти бесполезной: никаких открытий сама по себе она не предоставит.

Бизнесу необходимо проводить поиск скрытых корреляций и паттернов в рутинных рабочих процессах. Далее – генерировать рекомендации на основе таких находок.
Чаще всего на выходе будут получаться гипотезы, и здесь важно подключать к работе с промышленными IoT-решениями специалистов со стороны бизнес-департаментов, обладающих глубоким пониманием производственного процесса и способных оценить, насколько предоставленные выводы релевантны и ценны.
На практике же эта модель реализуется крайне редко.


БОЛЕЗНИ РОСТА

На текущий момент IoT в промышленности страдает от целого перечня хронических «болезней роста». Прежде всего, большая часть производственных компаний не хранят свои данные в необходимом объеме для того, чтобы эффективно применять искусственный интеллект (ИИ).

Кроме того, существует множество процессуальных проблем, связанных с человеческим фактором. В целом комплексе IoT-задач на предприятии финальная трактовка результатов обработки данных часто закреплена за конкретным специалистом. Но сотрудники не избавлены от предвзятости, подвержены профдеформации, а иногда и вовсе не заинтересованы в создании объективной картины относительно своего участка работы.

Например, для обучения ИИ-модели на собранных данных необходимо загрузить в нее образцы ситуаций, наглядно демонстрирующих, как определенная комбинация факторов привела к поломке. На практике бывает, что сотрудники часто трактуют такие ситуации «в свою пользу», чтобы сохранить место в компании и избежать наказания за допущенные просчеты.

Третий момент: на крупных предприятиях системы и их элементы, как правило, устанавливались в разное время, с разрывом в 10-20 лет. Многие производственные механизмы и узлы рассчитаны на очень длительный срок службы.

Интегрировать различные «исторические» части общей производственной системы воедино очень сложно даже на уровне мониторинга

Соответственно, отслеживается только часть производственного процесса. Это может быть наиболее критичный участок или тот, где чаще всего происходят поломки. Сквозной прозрачности процесса для специалистов удается добиться крайне редко.

Оснащение производственных аппаратов IoT-датчиками – отдельная головная боль, поскольку из-за разрозненности оборудования довольно сложно определить конфигурацию подходящих устройств, а тем более произвести экономически выгодный монтаж (без остановки производства).
В итоге в IoT для промышленных компаний работает только подход case-by-case (для каждого случая отдельно).


СБОР ДАННЫХ И ПОГРАНИЧНЫЕ ВЫЧИСЛЕНИЯ

Еще один вызов интернету вещей в промышленности – это многообразие форматов данных, получаемых от множества производственных систем и различных датчиков.

Как правило, большие системы типа Siemens или Honeywell общаются по разным проприетарным протоколам, что приводит к сложностям интеграции с остальными IT-системами предприятия, особенно если мы говорим про мониторинг в реальном времени.

Нужно обеспечивать непрерывность поступления данных, принимая во внимание задачи по преобразованию форматов

Здесь мы переходим к вопросам правильной организации сбора информации. Оптимальным будет применение решений класса пограничных вычислений (edge computing), расположенных непосредственно на производственном объекте. Помимо сбора данных, такие решения также осуществляют первичную обработку, подготавливая их для более глубокого анализа средствами ИИ и machine learning (машинное обучение).

Сегодня крупные вендоры типа HP, IBM и Dell имеют целые линейки оборудования для edge-задач. Они постоянно развиваются и прогрессируют, что, с одной стороны, открывает новые возможности для интернета вещей, с другой – существенно усложняет процесс их интеграции в единый IoT-комплекс. Все это приводит к дефициту консультантов и интеграторов, способных качественно собрать все элементы в одно работающее решение.

Нужно также учесть, что масштабирование само по себе – это затратный процесс. Потоки данных существенно возрастают, интеграция усложняется, модели необходимо переобучать – эти и другие факторы при недостаточно качественном планировании могут замедлить работу IoT-системы или спровоцировать ее отказ.

В итоге далеко не каждая компания оказывается готова к тратам на сквозное IoT-решение, начиная трансформацию предприятия с небольшого участка производственного цикла. Здесь появляется риск на нем проект и завершить, потому что такой подход даст слишком малую выборку данных и, скорее всего, покажет неубедительные результаты. Подготовительный процесс при этом съест довольно много времени и денег.


ТРИ ШАГА К УСПЕХУ

Однако не все так мрачно и бесперспективно. С развитием технологий (сети, вычислительные мощности, системы хранения и алгоритмы анализа данных) возможности в области сбора информации из огромного количества источников и realtime-процессинга растут с каждым месяцем. Перспектива 5G делает IoT одним из наиболее перспективных направлений цифровизации бизнеса в целом и промышленности в частности.

Мы стоим на пороге качественного скачка. Сумма технологий, на базе которых развивается интернет вещей, позволяет извлечь из производственных данных практические инсайты, ранее попросту не существовавшие. Для прорыва нужно научиться преодолевать перечисленные проблемные места в цепочке движения информации от производственных машин и систем до аналитических выводов, применимых с пользой на практике.

Для этого стоит не упускать из вида следующие шаги, которые гарантированно придадут развитию предприятия IoT-импульс.

  1. Планирование. Цель – определить производственные направления, наиболее важные с точки зрения бизнеса, выявить участки, генерирующие максимум полезных данных. На них запускается пилотный проект.
  2. Пилотный проект с прицелом на последующее масштабирование. В случае демонстрации перспективных результатов можно переходить к этапу масштабирования с пилотного участка на целое направление или сразу на все предприятие. Здесь понадобится прототип платформы на основе пилота, c учетом интеграции всех систем, всех видов датчиков и форматов данных. На этом же этапе прорабатываются модели машинного обучения, механизмы их интеграции, возможности переобучения, а также виды дашбордов (информационные панели), предоставляющих руководству финальные результаты аналитической обработки данных.
  3. Разработка технического решения проекта и его внедрение. Ключевая предпосылка для работы в этом направлении – понимание разрыва между инженерным уровнем (датчики) и IT-уровнем конечного IoT-решения. Условно говоря, люди, которые занимаются датчиками, не смогут рассказать вам об edge computing и моделях машинного обучения. И наоборот – специалисты по этим решениям понятия не имеют о работе конкретных датчиков. Между тем для успешного проекта необходимы и те, и другие. Например, датчики для IoT – отдельный мир со своими лидерами, стандартами, требованиями в части совместимости с IT-компонентами и т. д. На этом рынке есть флагманы (National Instruments или HBM), но 

для определенных участков и видов оборудования иногда оптимально использовать датчики вендоров второго или третьего эшелона, в том числе из Азии или России

Только так можно построить надежную основу IoT-проекта на базовом инженерном уровне.


КОМАНДА ВАЖНА ВСЕГДА

Ключевым фактором успеха в IoT-направлении сегодня также можно назвать качество сотрудничества между производственным блоком предприятия и IT-командой, отвечающей за проект. Без эффективно настроенной кооперации между ними генерировать работающие инсайты по поводу производства не получится. Только понимание бизнес-процессов и технических аспектов позволит извлекать максимум практических результатов от IoT уже на пилотном уровне и заложить качественную основу для масштабирования на все производство.

Да, можно анализировать «сухие» данные без привлечения «толкователей» из бизнес-департаментов. Но, на мой взгляд, такой подход представляет собой следующий этап развития IoT и другой уровень аналитической экспертизы, которые приходят только со временем, хотя в рамках пилота имеет смысл пробовать и его.

Сегодня разрыв между спецификой производства, бизнес-целями и технической составляющей IoT покрывает консультант-интегратор, опыт работы которого объединяет в себе инженерные и IT-знания и позволяет реализовывать проекты от стадий проектирования до ввода в эксплуатацию.


КОГДА НАСТУПИТ ЗРЕЛОСТЬ

После запуска IoT-решения в эксплуатацию на предприятии можно озаботиться задачами обогащения данных производства информацией других систем предприятия.

В будущем проекты интернета вещей в промышленности смогут окупаться через крайне выгодные для предприятий интеграции. Возможности постоянного контроля производства через IoT-решение позволяют четко понимать объемы выпуска, уровень качества, прогнозировать их на определенную временную перспективу.
Можно соотносить данную информацию с общими экономическими трендами, рыночной динамикой и с помощью математической модели на основе исторических данных выставлять выгодную рыночную цену на свою продукцию, обеспечивая максимальную прибыль.

Важно понимать, что IoT не всегда должен открывать принципиально новые направления или рынки. Оптимизация сложившегося производственного цикла позволит серьезно оздоровить уже существующие процессы на производстве, что положительно отразится на экономической картине работы предприятия.
IoT в промышленности сегодня – это полностью реализуемая концепция, зрелость применения которой в отрасли придет в перспективе трех-пяти лет.

Изображение: RSpectr, freepik.com

ЕЩЕ ПО ТЕМЕ:

Не навредить развитию IoT
В каком регулировании нуждаются беспроводные сети интернета вещей в России

Еще по теме

Почему рынок информационных технологий РФ возвращается к классической дистрибуции

Что сделано и не сделано в цифровизации России за 2023 год

Как заботу о вычислениях переложить на вендоров и почему не все к этому готовы

Как искусственный интеллект меняет банковскую систему РФ

Как проходит цифровая трансформация отечественного госсектора

Процесс замены иностранного софта близится к завершению – и это вызов

Почему отраслевые облачные платформы экономят время и деньги компаний

Настоящее и будущее искусственного интеллекта в управлении

Насколько эффективной будет маркировка синтезированного нейросетью контента

Каковы перспективы трансфера технологий госуправления в другие страны

К чему приведет новый всплеск интереса к метавселенным

Что мешает отечественным разработчикам цифровых решений

Каким должен быть современный продакт-менеджмент в мире облачных технологий

Безопасная разработка софта и как она помогает бизнесу сэкономить деньги

Как ИТ-технологии меняют логистические процессы