Le Dr Prasad Akella est le fondateur et président de Drishti, qui utilise l'IA et la vidéo pour autonomiser les travailleurs de la fabrication et optimiser la production.
Une conséquence clé de l'industrie 4.0 est les données - beaucoup, beaucoup de données.Pour les fabricants habitués à prendre des décisions dans des environnements affamés de données, le déluge de données est intimidant.Non seulement il y a plus de données, mais il existe également des ensembles de données entièrement nouveaux - dont beaucoup résolvent d'anciens problèmes et dont certains en éclairer les nouveaux.Il n'est donc pas surprenant que la plupart des fabricants ne savent tout simplement pas comment commencer à tirer le meilleur parti des informations.À vrai dire, cependant, pour beaucoup, la résistance culturelle au changement et la courbe d'apprentissage nécessaire pour adopter de nouvelles façons d'utiliser des données en temps réel est suffisamment difficile pour les renvoyer à l'utilisation de l'intestininvestissement.
Malgré ces obstacles, de nombreux fabricants savent que le déverrouillage des informations de toutes ces données a le pouvoir de stimuler le véritable changement opérationnel.Ils entreprennent des efforts pour exploiter les informations en créant des processus commerciaux qui mettent les bonnes informations entre les bonnes mains pour un avantage maximum.Ici, j'offre quelques réflexions sur la meilleure façon de ford ces marais de données délicates.
Avec les mégadonnées plus gros, les produits, les personnes et les processus doivent s'adapter
Il y a trois tendances majeures qui alimentent la création de nouvelles données:
1. Capteurs (y compris la vidéo).
2. L'informatique basée sur les données (y compris l'apprentissage en profondeur).
Meilleures compagnies d'assurance voyage
ByMeilleurs régimes d'assurance voyage à Covid-19
By3. Infrastructure (le cloud, l'informatique qui comprend le GPU, le stockage et la bande passante).
Ces tendances technologiques ont un impact sur les vies, pas seulement le sol de l'usine.Par exemple, considérez le processus de surveillance de la glycémie.Il y a cinquante ans, ma grand-mère a été testée une fois par mois par un médecin qui est venu chez elle avec un tas de réactifs et un brûleur Bunsen.Il y a vingt-cinq ans, mon père a piqué le doigt plusieurs fois par jour pour obtenir une lecture immédiate et à la demande.Aujourd'hui, les dispositifs de surveillance en glucose continue mesurent toutes les cinq minutes, 24/7.
Ce voyage est parallèle aux progrès de la technologie de fabrication: les capteurs ont amélioré les géants et les limites.Nous avons maintenant l'infrastructure pour traiter les signaux bruts, et avec les données qu'ils créent, nous pouvons fermer les boucles plus rapidement.Plus important encore, les idées sont désormais interprétables par le Jane moyen, pas un médecin ou un ingénieur formé.Avec la réduction des temps de décision, une décision erronée qui était autrefois grave peut maintenant être rapidement corrigée.
Voici comment ce scénario se déroule dans la fabrication: pour mesurer la productivité avec la technologie de collecte de données, un superviseur de ligne a historiquement mesuré les performances d'une ligne avec un chronomètre sur une période de temps limitée et toutes les limitations qui en découlent.Maintenant, avec l'industrie 4.0, ils obtiennent des données continues pour l'ensemble du changement et de nombreuses lignes.Cela devrait se traduire par la capacité de prendre de meilleures décisions plus rapidement.
Mais ce n'est pas aussi facile que cela puisse paraître, principalement parce que les données en soi ne stimulent pas.Les résultats d'une étude ont révélé que "l'usine moyenne génère 1 To de données de production par jour, mais seulement 1% est analysée et mise en œuvre en temps réel".
Pour que cela change, les données doivent être accessibles, pertinentes et exploitables.Il doit être présenté aux utilisateurs dans le contexte de leurs rôles, et les utilisateurs doivent savoir comment interpréter les données dans le contexte des décisions qu'ils doivent prendre.La première étape pour rendre cela possible consiste à concevoir des modèles de consommation de données qui permettent la résolution de problèmes par plusieurs parties prenantes.
Concevoir des modèles de données qui tournent la marée sur le déluge
Lors de la conception d'un modèle de données et de l'utilisation dans le processus de résolution scientifique des données basée sur les données qui est le fondement de l'amélioration des processus continue, il y a trois questions clés à poser.Ceux-ci garantissent que le modèle de données présente les informations de manière à ce qu'elle puisse être utilisée par ceux qui ont besoin de comprendre ce que cela signifie et peut agir sur elle.
• Pouvez-vous clairement articuler le problème que vous cherchez à résoudre?L'élaboration d'une déclaration de problème propre est souvent la moitié de la solution.
• À quoi ressemble la solution?Qui sont les acteurs?Quelles mesures doivent-elles utiliser?Comment et quand ces mesures leur sont-elles présentées?Comment les données brutes sont-elles traitées?Quelle est l'analyse et la visualisation associée?Quels outils sont nécessaires et quels systèmes doivent être intégrés pour rendre cela le plus efficace?Comment le processus est-il mis en place pour aider les fabricants à utiliser des techniques statistiques comme l'analyse des composants principaux et la conception d'expériences pour réduire l'espace d'analyse et d'interprétation pour le faciliter la compréhension et le travail?
• Comment mesurez-vous le succès?Pouvons-nous définir des cadres de mesure qui peuvent être utilisés dans la journée de travail quotidienne de l'utilisateur?Tout le monde n'a pas besoin de voir ou de tout savoir, mais tout le monde devrait être en mesure d'interpréter ce que les données leur disent en fonction de ce que leurs rôles les obligent à savoir, à comprendre et à agir.
Anticiper et traiter la résistance au changement
Tout le monde n'est pas prêt à adopter un monde basé sur les données avec des bras grands ouverts.Un nombre important de parties prenantes peuvent voir la nouvelle approche comme une menace, notamment:
• Les gens qui sont soudainement mesurés.
• Ceux qui ne sont plus des gardiens de connaissances exclusives.
• Les travailleurs dont les compétences de mesure deviennent obsolètes.
• Ceux dont les bonnes décisions semblent désormais mal avec plus de données.
C'est là que la construction de modèles qui présentent des informations contribuent contextuellement à freiner l'anxiété, la négativité et la résistance globale à la mise en œuvre de la prise de décision basée sur les données dans l'usine.Lorsque les informations sont pertinentes et présentées dans un format qui facilite l'interprétation, elle présente moins une menace pour les autres, et l'action est possible - qu'il s'agisse d'une solution à un problème ou à une innovation qui améliore le processus.La construction de modèles de données qui répondent à ces trois questions et peuvent être utilisées par toutes les parties prenantes de l'opération est la première étape du parcours vers la prise de décision basée sur les données.
Forbes Technology Council est une communauté uniquement sur l'invitation pour les DSI, les CTO et les cadres technologiques de classe mondiale.Est-ce que je suis qualifié?
