「知識は力なり」とはよく言ったものです。新しい技術が現状を打破し、製造業における新たな規範を確立していく中で、今後の業界動向を探ることは、デジタルトランスフォーメーションのリーダとしての重要な役割です。ここでは、現在の戦略を強化し、競争に打ち勝つことができる産業分析分野の新たなトレンドをいくつかご紹介します。
#1: IT/OTコンバージェンスのためにOTコンテキストの力を活用
IT/OTコンバージェンスは何十年も前から行なわれていますが、製造業の組織はまだそれをマスタしていません。IT/OTコンバージェンスは、データが生成される場所で適切なOTデータのコンテキストを把握することから始める必要があります。Garbage in, Garbage out (ごみを入れればごみしか出てこない)という言葉をご存知ですか? 多くの場合、データサイエンティストは、分析モデルを構築するためのデータ準備の段階で、適切なOTコンテキストを得るために、エンジニアとかなりのサイクルを費やします。しかし、それはそれほど難しいことではありません。簡単にするためには、OTエンジニアは、実行時に取得するOTデータのタグを設定し、収集の頻度を示し、データサイエンティストのニーズに応じてOTデータをパッケージ化するための論理構造や共通の情報データモデルを設定できるようにする必要があります。
#2: アナリティクス戦略にエッジを組み込む
テクノロジの分野ではクラウドがもてはやされていますが、分析の分野ではエッジがあまり活用されていません。産業分析の重要なユースケースでは、ハードウェア制御システムの応答時間をミリ秒以内にする必要があることを考えると、データをクラウドに送信し、その結果を取得してから行動するだけでは十分ではなく、ネットワークの遅延やデータ伝送のコストが高すぎます。そこで、データ処理と分析をエッジで行なうことで、ハードウェア制御層でリアルタイムに適切な処方を行なうことが可能になり、大きな違いが生まれます。分析の分野をリードする企業は、その戦略の一環として、ハードウェアまたはソフトウェアのインテリジェント･エッジ･ゲートウェイ･ソリューションを導入しています。
#3: 視覚的で直感的な機械学習ツールでOTの専門家を強化
これまで機械学習はデータサイエンティストの主な仕事でしたが、テクノロジに精通したプラントエンジニアやオペレータが新たに登場してきていて、彼らは機械学習の分野でOTの知識を応用する準備ができています。これらのシチズン･データ･サイエンティスト(本職以外でデータ分析を行なう人)は、データ管理の基本に精通しており、データパイプラインの準備、MLモデルの設定、展開、そして最終的にはプラント機器の近くで運用データのスコアリングを行なうためのビジュアルツールを活用しています。OTの専門家は、製造業のビジネス成果を最大化するために、予知保全、予知KPI、異常検知などのユースケースを対象とした既製の機械学習アプリケーションを使い始めています。今、誰が大勢のデータサイエンティストを必要としているのでしょうか?
#4: プロダクト･ライフサイクル･インテリジェンスへの機械学習の適用
プロダクト･ライフサイクル･インテリジェンス(PLI)は、プロダクト･ライフサイクル･マネジメント(PLM)を進化させたもので、人工知能(AI)と自動化を応用して、PLMユーザが製造工場の製品データから意味のある洞察を抽出できるようにするものです。AI/MLを活用した製品に関する有意義な洞察力を活用することで、産業用製造企業は現在のPLM分析能力のギャップを埋めることができ、現在の製品パフォーマンス、過去の平均値、工場内の異なるビジネスユニットや機能間の差異を理解することができます。このような製品ライフサイクルのインサイトは、製造企業がより意味のある顧客体験を開発し、優れたビジネス目標と製品価値を推進するのに役立ちます。
時代の先を行く
このような新しい開発の可能性だけでなく、実績のある信頼できるパートナとお客様の実装を成功させることで、計画的な産業分析の実装からさらに高い組織価値を引き出すことができます。ロックウェル･オートメーションには、戦略、技術、実装サービスを提供する世界クラスのコンサルティング部門があり、お客様が複数のプレイヤーと断絶した形で対応する必要はありません。当社の人間中心のプロセスは、お客様の目標と主要な利害関係者を特定することから始まり、影響度の高いユースケースから始めて、適切な変革のためのロードマップを描きます。
