Ilość generowanych dziś danych potrafi przyprawić o zawrót głowy. Według raportu IDC, w ciągu najbliższych 10-ciu lat należy spodziewać się ponad 900 proc. ich wzrostu. Dane same w sobie nie przedstawiają jednak żadnej wartości. Stanowią zbiory cyfrowych informacji. Czy zatem istnieje sposób, by to zmienić?

Szacuje się, że obecnie zainstalowanych jest ponad 60 miliardów czujników, które bez przerwy zbierają różnego rodzaju dane. Tylko w ciągu ostatnich dwóch lat wyprodukowaliśmy tyle danych, ile przez całą dotychczasową historię ludzkości! Ten trend będzie kontynuowany wraz z podłączaniem do Internetu coraz większej liczby coraz bardziej skomplikowanych urządzeń.

Rozwiązaniem Sztuczna Inteligencja?

Wydawać by się mogło, że rozwiązaniem problemu nadmiaru danych jest AI (ang. Artificial Intelligence, Sztuczna Inteligencja). Systemy korzystające z AI są w stanie skategoryzować dane, przeanalizować je pod kątem pożądanych przez nas informacji, a następnie przedstawić bardzo czytelne wyniki. Jednak AI jest tylko tak inteligentne i tak dobre w swoim działaniu, jak człowiek, który je stworzy. – Ogromna skala danych – zarówno ich ilość, jak i różnorodność wciąż jest dla Sztucznej Inteligencji dużym wyzwaniem. Jeszcze przez długi czas nie powstanie komputerowa superinteligencja dysponująca nieograniczoną mocą obliczeniową, zdolna do przetworzenia wszystkich spływających do niej informacji z całego świata. Musimy się skupić na dużo mniejszych segmentach, bo w całym tym bałaganie nie chodzi o „dane”, a o wyciągnięcie z nich realnej wartości, którą przedsiębiorstwa będą w stanie zmierzyć najbardziej obiektywną miarą, czyli zyskiem netto – mówi Paweł Pacewicz z Transition Technologies PSC. – Dzięki eksplorowaniu ograniczonych zbiorów Big Data mamy nadzieję wykryć w nich konkretne wzorce i reguły, oraz zmienić uzyskane wyniki na wartościową wiedzę. Pozwoli nam to znaleźć nowe strategie, ale też szanse biznesowe.

Big Data w przemyśle

Coraz większa ilość danych operacyjnych zbierana jest przez czujniki obecne w urządzeniach przemysłowych. Najczęściej są one wyposażone w jednostkę sterującą, która bezpośrednio odpowiada za ich działanie. Jednak zbierane dane nie zawsze przesyłane są dalej, np. do analizy pod kątem efektywności procesu lub bezpieczeństwa, przez co osoby sterujące ruchem nie mają możliwości optymalizacji pracy urządzenia.

Pierwszym krokiem w takiej sytuacji jest podłączenie urządzenia do sieci, np. przy pomocy standardowych protokołów komunikacji przemysłowej. Można w ten sposób stworzyć mechanizm, który monitoruje parametry operacyjne i prezentuje je kierownikom ruchu. Następnie należy zbudować system uczenia maszynowego, który w oparciu o dane historyczne oraz aktualnie obserwowane trendy będzie w stanie prognozować przestoje i awarie. Dzięki wykorzystaniu danych płynących z urządzeń można o wiele efektywniej zarządzać procesem produkcji, osiągając jeszcze wyższą jakość produktu – dodaje Paweł Pacewicz.

W epoce powszechnej cyfryzacji dane stały się podstawą do zaspokajania ludzkich potrzeb oraz kreowania nowej wartości we wszystkich sferach biznesu. Są generowane przez każdy rodzaj działalności człowieka. Można je postrzegać jako coraz ważniejszy czynnik produkcji lub element infrastruktury niezbędny do sprawnego zarządzania oraz tworzenia coraz bardziej efektywnych modeli biznesowych. O ile w wielu przypadkach podobne rozwiązania klasy IoT, Big Data, czy Data Science można z powodzeniem stosować generycznie, należy pamiętać, że zmienność środowisk nakazuje podejść do każdego problemu indywidulanie. Pomoże to w jak najdokładniejszy sposób zidentyfikować obszary wymagające poprawy lub usprawnienia działania.