Chuyên gia toàn cầu đã dự đoán thị trường IIoT sẽ tăng vượt quá kỳ vọng. Báo cáo cho biết nó sẽ thêm khoảng 14.2 nghìn tỷ USD vào kinh tế toàn cầu khi năm 2030 đến (theo nghiên cứu của Accenture). Nhưng từ đó, nó đối mặt với rào cản chỉ vì phương pháp truyền thống không thể phát hiện và dự đoán bất thường. Gần đây, Phát Hiện Bất Thường Nhận Thức (Cognitive Anomaly Detection) đã xuất hiện, nhưng nó có thực hiện như kỳ vọng? Để biết, bạn cần biết về IIoT và Phát Hiện Bất Thường Nhận Thức. Vậy bắt đầu!
IIoT Là Gì?
Thuật ngữ IIoT được GE đặt ra cuối 2012. IIoT hay Industrial Internet of Things (Internet Vạn Vật Công Nghiệp) là bức tranh lớn hơn của khái niệm Internet of Things. IIoT đưa tiềm năng của ML và công nghệ Big Data vào cuộc chơi. Với này, nâng cấp công nghệ tự động hóa lên cấp độ tự chứa hiệu suất cao sẽ không còn là nhiệm vụ khó khăn. Xem xét lượng dữ liệu cảm biến hoặc IoT trên toàn thế giới thu thập, nếu không có phân tích thích hợp, việc dùng cho những thứ này sẽ không còn tồn tại và chúng ta cuối cùng sẽ xóa chúng. Điều này khiến quy trình thu thập dữ liệu vô nghĩa. Nhưng với IIoT, dữ liệu có thể kết hợp với hệ thống khác và được xử lý dễ dàng hơn. Nhưng Cognitive Anomaly (Bất Thường Nhận Thức) là gì?
Phát Hiện Bất Thường Nhận Thức Là Gì?
Phát hiện CA là quy trình xác định bất thường trong dữ liệu IIoT (khối lượng khổng lồ vô dụng trước đây) với sự giúp đỡ của học không giám sát (unsupervised learning) và nhận dạng mẫu (pattern recognition). Với những này, sự xuất hiện của báo động giả có thể giảm đáng kể. Cũng, với phát hiện lỗi và thất bại đúng lúc, chúng ta có thể tiết kiệm thời gian và tài nguyên đáng kể.
Đến Sự Ảnh Hưởng Của Phát Hiện Bất Thường Nhận Thức Lên IIoT…
Nếu thống kê đáng tin cậy, thì có gần 6000 cảm biến trên máy bay A350 có thể tạo ra 2.5 petabyte dữ liệu mỗi chuyến bay. Các ngành như sản xuất ô tô, nhà máy điện, giàn khoan dầu, dây chuyền lắp ráp, v.v., cũng không kém cạnh. Với hàng nghìn cảm biến vận hành liên tục, họ tạo ra lượng dữ liệu khổng lồ hàng ngày. Tuy nhiên, công ty IIoT không thể sử dụng quá 20% dữ liệu sản xuất. Tuy nhiên, chúng ta vẫn nỗ lực tìm cách sử dụng tất cả dữ liệu thu thập được vì chúng ta không thể xác định các mẫu quan trọng. Chúng ta cần tìm bất thường quy mô lớn để tăng tỷ lệ sử dụng thiết bị và giảm nhiên liệu cần thiết.
Cũng có nhiều bất thường khác như vấn đề độ trễ ảnh hưởng trực tiếp dữ liệu thời gian thực, thất bại dự đoán tuổi thọ bộ phận nhỏ, chi phí thuê nhân lực, và một số khác.
Như đã nói, Bất thường nhận thức được cung cấp bởi machine learning và phân tích dữ liệu giúp IIoT tìm giải pháp và khắc phục vấn đề mà phương pháp truyền thống không dự đoán hoặc giải quyết. Tuy nhiên, chỉ tìm bất thường là chưa đủ. Vì có nhiều loại bất thường, phân biệt cái tốt và xấu trở thành hạt dẻ khó gnaw. Vì vậy, nếu chúng ta có thể kết nối và tương quan để dự đoán thất bại, chúng ta có thể tiết kiệm lượng lớn thời gian và tài sản.
Về điều này, Nhà Khoa Học Dữ Liệu Taj Darra đã truyền đạt: Khi ML được tăng cường với khung IoT nhận thức, nó cho phép doanh nghiệp IIoT phát hiện bất thường từ việc ingest dữ liệu cảm biến ban đầu đến xuất dự báo và xác định xem có phải bất thường hay không chỉ trong 2 ngày. Điều này khá ấn tượng vì giờ tất cả cảm biến có thể được đo song song.
Phát Hiện Bất Thường Nhận Thức được thực hiện theo các giai đoạn và được thực hiện theo đúng trình tự: Kết nối (Connect), Phát hiện (Detect), Xác thực (Validate), Dự đoán (Predict), và Hành động (Act). Trước tiên, kết nối để cấu trúc nguồn dữ liệu và sau đó phát hiện nếu thực thể tìm thấy có thể coi là bất thường hay không. Quy trình tiếp tục trong xác thực và sau đó dự đoán được thực hiện. Ngay khi quy trình hoàn tất, bạn có thể kết nối API hệ thống để hành động. Bằng cách thực hiện cách tiếp cận này, bạn có thể dễ dàng dự đoán sự hỏng hóc của khoảng 75% bộ phận trước khi chúng bắt đầu hành vi bất thường.
Do đó, chúng ta có thể nói kết hợp hai cái này sẽ giúp nâng cấp thực tiễn. Chúng ta không thể phủ nhận lượng dữ liệu khổng lồ vô tình chiếm chỗ vì thiếu thực tiễn hiệu quả, thay thế phương pháp truyền thống bằng cái mới chắc chắn sẽ phục vụ mục đích. Cũng, nếu chúng ta kiểm soát khối lượng dữ liệu khổng lồ sản xuất hàng ngày, chúng ta sẽ tăng cường quản lý thất bại tài sản, giảm downtime không kế hoạch, cải thiện dự đoán thất bại, giảm thiểu chi phí bảo trì, tối ưu hóa sử dụng tài nguyên, ngăn chặn vấn đề chất lượng và giảm thiểu yêu cầu bảo hành, và tăng tuổi thọ tài sản.
Đã đến lúc nâng cấp! Chúng ta hy vọng điều này hoạt động như chuyên gia dữ liệu đã hứa để có ngày mai tốt hơn! Quan điểm của bạn về điều này, hãy cho chúng tôi biết trong phần bình luận bên dưới!