Почему предиктивная аналитика не приживается на заводах
В обычной жизни мы уже давно привыкли пользоваться программами с элементами предиктивной аналитики. Так, например, каршеринговый сервис «Яндекс.Драйв» использует ежедневную статистику и информацию от своих пользователей о состоянии движения на дорогах в реальном времени и предсказывает: когда мы доберемся из точки А в точку В, сколько это займет времени, какой маршрут наиболее удачный, а на основании этих данных даже может предложить более выгодную цену. Привыкнув к удобным сервисам в повседневной жизни, мы задумываемся, а почему так мало подобных систем с элементами предиктивной аналитики мы используем в производстве? Что нам мешает?
«Скрытый завод»
В финансовом секторе и ретейле сбором и аналитикой данных занимаются уже давно. В настоящее время в этих отраслях бизнес практически сливается с ИТ и без современных систем аналитики просто немыслим. Консервативный производственный сектор пока не может похвастаться тем же.
Прежде всего большинство предприятий имеют автоматизированное и полуавтоматизированное оборудование, которое не интегрировано в единую систему. То есть оборудование имеет датчики, необходимые для его работы, но данные с этих датчиков никуда за пределы отдельно взятой машины не передаются и, соответственно, не анализируются. Для обозначения такого производства мы придумали специальный термин — «Скрытый завод». Многие компании уже осознали, что без интеграции данных от производства невозможна никакая аналитика. Как следствие, интеграция машинных данных — сейчас самый востребованный тренд на российских производствах.
Из нашего опыта, сбор данных от машин может занимать до 20% трудозатрат от всего проекта построения системы аналитики на предприятии. Этот процент может незначительно меняться в зависимости от степени интеграционной готовности оборудования, но все равно занимать большую долю. Здесь, вопреки ожиданиям заказчика, наиболее критичным является не построение самой инфраструктуры, а «открытость» оборудования, то есть возможность доступа к уже имеющимся данным внутри машины.
С продвижением IIoT (промышленный интернет вещей) получение данных для систем аналитики значительно упростилось и удешевилось. Современные цифровые платформы позволяют создавать гибридные системы данных из разных источников, таких как «умные» датчики и устройства, любые контроллеры с OPC (платформа открытых коммуникаций), облака, интернет, а также практически из любых устройств и приложений. Помимо возможности объединения разрозненных данных такой подход характеризуется низкой стоимостью интеграции, передачи и хранения этих систем. Именно благодаря значительному удешевлению и упрощению процесса интеграции данных интерес к системам аналитики значительно возрос в последнее время.
Организация данных
Тем не менее интеграция данных не самый сложный этап. Наибольший объем ресурсов отнимает обработка и очистка полученных данных. Из нашего опыта этот процесс может занимать до 60% трудозатрат от построения системы аналитики. Самая сложная часть — очистка и объединение данных из разных источников и приведение их к «общему знаменателю».
Раньше аналогичные процедуры отнимали огромное количество ресурсов и времени. Сейчас современные системы аналитики предлагают встроенные инструменты, позволяющие это делать интуитивно, в считаные минуты, с помощью drag-and-drop (функция перемещения объектов с помощью «мыши» или сенсорного экрана. — «РБК Pro»).
Хранение данных
Данные могут поступать с любых источников. На производстве это контроллеры машин или сервер исторических данных. Последний вариант реализации наиболее предпочтителен, так как организует единый источник производственных данных. Для создания «единого источника правды» на уровне всего предприятия используют Data Lake (хранилище большого объема неструктурированных данных), которое физически может располагаться как на корпоративном сервере, так и на стороннем облаке. Это достаточно удобно, так как оно позволяет хранить любые данные, как в первоначальном, так и уже в обработанном и проанализированном формате.
Тем не менее не каждая компания готова к размещению и обработке своих данных на сторонних серверах и облаках. Особенно чувствительны предприятия из нефтегазовой отрасли. Высокие требования компаний к защите собственных производственных данных являются одним из барьеров, сдерживающим распространение аналитики на предприятиях.
Передача данных
Еще один фактор, сдерживающий развитие аналитики, — ограничение пропускной способности каналов связи. В связи с экспоненциально возросшим потоком информации количество данных, которое нужно обрабатывать и анализировать, критично увеличилось. Если центр обработки данных находится далеко, это предполагает передачу огромных массивов на большие расстояния, что не всегда просто реализовать.
Чтобы разгрузить каналы, используются edge-технологии (периферийные). На самом оборудовании, рядом с источником данных, устанавливаются edge-устройства для предварительной обработки и даже аналитики данных с применением машинного обучения. Это могут быть как отдельно установленные устройства, так и встраиваемые в контроллеры модули.
Выводы
На сегодняшний день предсказательная аналитика — одна из наиболее востребованных технологий в мире. Люди всегда хотели предсказывать, что произойдет завтра, но только сегодня с использованием современных интеграционных платформ и вспомогательных технологий, таких как IoT, Edge, ML и 5G, это становится доступным. Несмотря на все технические трудности, с которыми приходится сталкиваться при построении систем аналитики, основной сдерживающий фактор для российских предприятий — недоверие компаний. Так как внедрение аналитики ведет к прозрачности бизнеса, сегодня не каждая отечественная компания готова к этому.
Тем не менее изменения неизбежны, а процесс трансформации занимает время. Поэтому компании, которые это понимают, уже сейчас активно интегрируют данные своих предприятий, выбирают мощные инструменты и специалистов для работы с этими данными. Такие компании инвестируют в свое будущее и завтра будут доминировать на рынке.