Edge Computing og maskinlæring er blant de mest lovende og banebrytende teknologiene innen industrien i dag. Hver for seg bringer de med seg betydelige forbedringsmuligheter for produksjonsbedrifter. Sammen kan de realisere en helt ny verden av effektivitet.

Data er driveren bak morgendagens smarte fabrikker. Å samle inn, prosessere og analysere massive mengder data fra produksjonsutstyret, tillater bedriften å respondere raskere på situasjoner og ta bedre beslutninger i det daglige arbeidet. Ved hjelp av avanserte maskinlæringsalgoritmer kan bedrifter overvåke maskiner for å sikre at de fungerer som de skal, lettere identifisere faresignaler og implementere prediktive vedlikeholdsmetoder som vil redusere antallet kostbare overraskelser.

Men praktisk bruk av maskinlæring har lenge vært utfordrende å få til. Inntil i dag. På samme måte som produkter med maskinlæring har blitt kommersialisert i forbrukermarkedet, dukker det nå opp løsninger som tillater produksjonsbedrifter å ta i bruk maskinlæring på automasjonssiden av virksomheten.

 Video: Tom-Roger Stensberg, Head of Digitalization i Triple-S

Utfordringer med praktisk bruk av maskinlæring

Maskinlæring krever spesialisert kompetanse for å lage modellene som benyttes til analyse av dataene. Å lage analyseverktøy for industrielle miljøer har lenge krevd såkalte «data scientists», med en dyp forståelse for de konkrete applikasjonene og prosessene som skal analyseres. Dette er personer som har ansvaret for å samle inn, analysere og tolke store mengder data, med mål om å identifisere måter virksomheten kan forbedre driften og øke konkurranseevnen overfor andre virksomheter. Disse ekspertene trenger deretter uker, måneder eller til og med år for å forstå og modellere systemet. Men de er ikke lette å finne, og finner du en, så koster det å hanke inn vedkommende – ifølge Forbes var data scientist den åttende best betalte jobben i 2015.

For det andre er de fleste mobile apper, IoT-enheter og andre applikasjoner som benytter maskinlæringsalgoritmer, avhengig av databehandlingskapasiteten til en skytjeneste eller et datasenter plassert langt unna enhetene som genererer dataene. Løsningene har sjelden innebygget intelligens til å gjennomføre analyser av dataene på enheten. Dataene må derfor transporteres til skyløsningen, analyseres der og sendes tilbake, noe som både fører til forsinkelser, økt trafikk på nettverket og økte båndbreddekostnader.

Les også: 3 bruksområder hvor IIoT og maskinlæring gir verdi for industrien

«Produktifiseringen» av maskinlæring

I dag er det imidlertid mulig å implementere maskinlæring uten hjelp fra en data scientist og uten å sende dataene til en skyløsning. Produkter som innehar maskinlæring er allerede kommersialisert i forbrukermarkedet, og det samme skjer nå innenfor det industrielle. Det finnes maskinlæringsprodukter der kompetansen til en data scientist er bygget inn i løsningen. Løsningene kan integreres i kontrollsystemer og det er enkelt å bruke output i styring og kontroll. Produktet lager selv den nødvendige matematiske modellen, men konfigureres og læres opp av mennesker, med gradvise læreprosesser som er enkle og intuitive å forstå og gjennomføre. Alt som kreves er domene- og applikasjonskompetanse for å få de til å fungere. Rockwell Automations Project Sherlock-modul, er en slik løsning.

Edge Computing: Lokale analysemuligheter

I senere tid har det også utviklet seg en ny databehandlingsmetode, der datakompetansen og datakraften gjøres tilgjengelig nede i produksjonsutstyret. Edge Computing handler om å analysere dataene så nærme datakilden som mulig, det vil si helt på «kanten» (derav navnet) av nettverket. Der man tidligere var avhengig av å overføre rådata til en skyløsning for å rense, aggregere og analysere dataene, distribuerer Edge Computing databehandlingsintelligensen på tvers av hele nettverket. Istedenfor at rådata overføres til skytjenesten, renses, aggregeres og analyseres dataene av enheten selv og sender deretter innsikten til skyen.

En av de største forskjellene mellom tradisjonelle skytjenester og Edge Computing er sanntidsbehandling av data. Der tradisjonelle skyløsninger fokuserer på å flytte data til skyen, hvor dataene behandles på et senere tidspunkt, snur Edge Computing dette på hodet og analyserer dataene så nærmere datakilden som mulig. Dataene trenger ikke å sendes opp i skyen for analyse og deretter hentes ned igjen. Du kan heller gjøre komplekse analyser på vanskelige applikasjoner lokalt, for å optimalisere styringen i sanntid. Det vil spare deg både tid og kostnader.

Les også: Hva er IoT Edge og Edge Computing?

Maskinlæring i kombinasjon med Edge Computing er fortsatt et relativt nytt fenomen, men allerede i dag er det flere spennende muligheter som kan muliggjøres med disse nye teknologiene. Edge Computing muliggjør praktisk implementering av maskinlæring, uten at du må hyre inn en data scientist eller flytte dataene ut av huset.