اتوماسیون اینترنت اشیا موج بعدی یادگیری ماشین ، داده های

اتوماسیون اینترنت اشیا در عصر COVID-19 علت جدیدی پیدا کرده است.

مجموعه ای از روشهای جدید – همراه با فشارهای جدید غیرمنتظره – تلاشهای اتوماسیون اینترنت اشیا today’s امروز را کاملاً جدید تر می کند.

پیشرفت امروز در اتوماسیون اینترنت اشیا on مبتنی بر روشهای جدید با استفاده از داده های بزرگ ، یادگیری ماشین ، هوش دارایی و معماری محاسبات لبه است. همچنین با رویکردهای نوظهور در زمینه هماهنگی خدمات و گردش کار و تلاشهای ITOps که بر پیوندهای بهتر بین IT و عملیات تأکید دارند ، امکان پذیر است.

از یک سو ، پیشرفت در اتوماسیون اینترنت اشیا شامل ابزارهای اتوماسیون فرآیند رباتیک (ՀՀԿ) است که با استفاده از داده های سنسور وظایف دفتری و دفتری را به اطلاع می رساند. در انتهای دیگر ربات های واقعی قرار دارند که جریان کالاها را در کف کارخانه حفظ می کنند.

در همین حال ، هیچ چیز مانند COVID-19 رهبران تجارت را به سمت اتوماسیون معطوف نکرده است. فناوری های اتوماسیون با توجه به همه گیری ۲۰۲۰ ، که باعث ایجاد استفاده از سنسورهای IoT ، روبات ها و نرم افزار برای امکان نظارت از راه دور اضافی می شود ، اولویت پیدا کرده اند. هنوز هم این کار قبل از ظهور COVID-19 به خوبی در حال انجام بود.

امنیت سایبری باعث پیشرفت در اتوماسیون اینترنت اشیا می شود

به طور خاص ، کشف خودکار محیط های اینترنت اشیا برای اهداف امنیت سایبری محرک مداوم اتوماسیون اینترنت اشیا بوده است. به گفته لری ویلسون ، مدیر ارشد نوآوری و اکوسیستم های دیجیتال در Splunk ، دلیل این امر صرفاً وجود اطلاعات بیش از حد ماشین برای ردیابی دستی است . هدف ناهنجاری های موجود در الگوهای جریان داده است.

ویلسون گفت: “رفتار ناهنجار شروع به ریزش در محیط می کند و کارهای زیادی برای انسان وجود دارد.” و گرچه بسیاری از اینها هنوز به انسانی در جایی “در حلقه” احتیاج دارند ، نقش اتوماسیون همچنان در حال رشد است.

اتوماسیون اینترنت اشیا موج بعدی یادگیری ماشین ، داده های

ویلسون گفت Splunk ، که متمرکز بر یکپارچه سازی داده های دستگاه است ، با شرکای خود کار کرده است تا اطمینان حاصل کند که داده های ورودی اکنون می توانند عملکردهای مفید را در زمان واقعی شروع کنند. این نوع تلاشها برای ادغام فناوری اطلاعات / فناوری عملیات (IT / OT) در حال ظهور هستند. این ، همراه با یادگیری ماشین (ML) ، نوید افزایش اتوماسیون گردش کار در تجارت را می دهد.

وی گفت: “امروز ، ما و شرکای خود در حال ایجاد یادگیری ماشینی هستیم که بطور خودکار دستور کار را تنظیم می کند – افراد دیگر مجبور نیستند [به صورت دستی] در این امر وارد شوند”. با داده های تاریخی برای اجرای فوری.

ویلسون گفت: “ما گزارش گذشته را به عمل منتقل کردیم.”

ویلسون نشان داد ، موارد قابل توجهی که Splunk با آن روبرو شده است شامل سیستمهایی است که سیگنالها را برای نظارت و بهینه سازی فعالیت کف دانشگاه و دانشگاه و همچنین ارتباط اطلاعات دارایی جمع آوری می کند.

Hyperautomation Hyped

حرکت به سمت اتوماسیون سیستم های کاملاً هماهنگ و کاملاً یکپارچه به اندازه کافی نیرومند است که گارتنر آن را “hyperautomation” لقب داده و آن را در “۱۰ روند استراتژیک برتر فناوری ۲۰۲۰” قرار داده است.

این گروه تحقیقاتی hyperautomation را “استفاده هماهنگ از چندین فناوری برای کاتالیز کردن تغییرات فرآیند مبتنی بر تجارت” توصیف می کند و اعلام می کند “هر آنچه که می تواند خودکار شود ، خودکار خواهد شد.”

طبق گفته گارتنر ، رده اتوماسیون اتوماتیک شامل ابزارهای اتوماسیون فرایند و وظایف ، ML ، نرم افزار مبتنی بر رویدادها و ՀՀԿ است. تخمین های انسجام بازار انسجام ، بازار جهانی hyperautomation را ۴٫۲ میلیارد دلار در سال ۲۰۱۷ ارزیابی کرده است و از ۲۰۱۹ تا ۲۰۲۷ ۱۸٫۹٪ CAGR پیش بینی کرده است.

اتوماسیون اینترنت اشیا موج بعدی یادگیری ماشین ، داده های

اتوماسیون – هایپر یا سایر محصولات – در چندین محصول پشتیبانی می شود. اینها شامل نرم افزار تنظیم گردش کار از شرکت های مختلف از Broadcom و BMC گرفته تا Radianse و Resolve Systems است. این فضا همچنین بازیکنانی مانند ServiceNow و Splunk را در خود جای داده است.

این رده ها شامل سیستم های اتوماسیون صنعتی IoT از GE ، Honeywell ، Rockwell Automation ، Plex ، PTC و Siemens و همچنین زیرساخت های IT و نرم افزارهای کاربردی ERP مانند C3.ai ، IBM و SAP است.

و این به ذکر متخصصان دامنه مانند Esri با پردازش داده های مکانی نیست. Dassault Systèmes ، با نرم افزار مهندسی طراحی و طراحی سه بعدی ؛ و بسیاری دیگر که برای خودکارسازی جنبه های اینترنت اشیا کار می کنند.

اتوماسیون فرآیند تجارت

برای Radianse ، که نرم افزار هوشمند ردیابی و مدیریت را با دستگاههای RFID و غیر RFID دارای برچسب ادغام می کند ، اتوماسیون اینترنت اشیا به معنای گسترش نظارت بر وظایف پرسنل در زمان واقعی و اتوماسیون برنامه ها از مراکز مراقبت از سالمندان و بیمارستان ها تا سالن های ورزشی ، مراکز تناسب اندام و حتی میله ها است.

به طور طبیعی ، در بیمارستان ها ، ردیابی دارایی ها اهمیت بیشتری پیدا کرده است زیرا تقاضای دستگاه تنفسی کاهش یافته است. برنامه های تمیز کردن نیز اکنون به سطوح جدیدی از ردیابی و کارایی نیاز دارند. تغییر در اینجا سریع است.

“با بیماری همه گیر COVID-19 ، شما محورهایی را در رویکردها مشاهده می کنید. شما رابط هایی را می بینید که نیازی به منوهای لمسی یا رابط کاربری با دستگاههای خود کاربران ندارند. “به گفته رندی ریبک ، معاون استراتژی رادیانز.

ریبک گفت این شرکت برای پیاده سازی سیستم هایی با برنامه ریزی و استفاده از دارایی به طور خودکار با مشتریان همکاری می کند و هجوم داده ها می تواند چالش برانگیز باشد. بنابراین ، تخصیص داده های ورودی به موارد ضروری یک ماموریت مهم است. وی گفت: “در غیر این صورت ، گاهی اوقات می توانید از یک شلنگ آتش نشانی بنوشید.”

اتوماسیون ITOps

چابکی سالها است که مانور بسیاری از سازمان ها است. که به شکل DevOps ، ITOps ، MLOps و AIOps گرفته شده است. همه روشهایی است که سازمانها برای خودکار کردن مراحل تکرار شونده توسعه دهندگان و مدیران برای اجرای برنامه ها استفاده می کنند.

با رشد استفاده از دستگاه های اینترنت اشیا ، اتوماسیون بیشتری اعمال می شود. اساساً ، سازمانهای بیشتری سبکهای کار تلفن های سنتی یا ارائه دهندگان ابر را در نظر می گیرند.

“یک مشکل مشترک در مورد تکثیر IoT [دستگاه ها] وجود دارد. سازمان ها موظف هستند همه این موارد را مدیریت کنند تا مطمئن شوند که به درستی کار می کنند. “گفت Vijay Kurkal ، مدیر عامل شرکت Resolve Systems ، سازنده یک پلت فرم AIOps برای پاسخگویی به حوادث در کل شرکت ، اتوماسیون و تنظیم روند.

اتوماسیون اینترنت اشیا موج بعدی یادگیری ماشین ، داده های

مشکلات بیشتر می شوند زیرا دستگاه های اینترنت اشیا وظایف بیشتری را بر عهده می گیرند. او یکی از همه گیرترین “چیزها” را ذکر می کند. یعنی خودپرداز.

“بیش از هر زمان ، بانک ها باید بدانند که دستگاه های خودپرداز فعال هستند ، کار می کنند و کار می کنند. به این دلیل که هر دستگاه خودپرداز اکنون چندین برنامه را ارائه می دهد. اگر آنها شکست بخورند ، شما تجارت خود را از دست می دهید و مشتریان ناامید می شوند. ”

علاوه بر این ، یک “رول کامیون” که نیاز به اعزام تکنسین ها (در یک کامیون) به مکان های خودپرداز دارد ، گران است. وی گفت ، همه این موارد باعث می شود هوش مصنوعی و اتوماسیون بخشی جدایی ناپذیر در برنامه ریزی قابل حل برای حل حادثه باشد.

IoT Automation روی نقشه

به گفته سوزان فاس ، مدیر محصول برای تجسم در زمان واقعی و تجزیه و تحلیل در Esri ، غول سیستم اطلاعات جغرافیایی (GIS) ، هنگام ورود اطلاعات اینترنت اشیا ، اتوماسیون جنبه دیگری پیدا می کند.

چه فرقی دارد؟ وی گفت: “این ماهیت داده های جمع آوری شده است.” “سازمان ها هرگز این نوع اطلاعات را قبلاً یا با این جزئیات جزئیات زمان و مکان نداشته اند.”

“قبل از آن دوره ای تر بود. اکنون آنها آن را به صورت تأمین کننده زندگی ، تنفس و تأمین مداوم دارند. ” این امر باعث ایجاد معماری در پردازش رویدادها می شود ، سرعت کار تیم ها برای کار با داده ها و اتوماسیون بیشتر را افزایش می دهد.

فاس گفت که Esri در حال کار با کاربران است تا داده های اینترنت اشیا-سریع را به داده های محل اتصال دهند. هدف ایجاد تجسم فوری از داده ها بر روی نقشه است. فاس گفت ، “این نیاز به” توازن ظریف قدرت اسب بخار در برابر داده های ورودی زمان واقعی و همچنین منابع داده ای استاتیک دارد که ممکن است لازم باشد با آن استفاده شود. ”

و نقشه برداری فعالیت در زمان واقعی در مواجهه با بیماری همه گیر COVID-19 به داخل خانه می رود. به همین منظور ، Esri اخیراً ArcGIS Indoors خود را با الگوهای جدیدی برای برنامه ریزی فضایی به روز کرده است. این نرم افزار با استفاده از چراغ های راهنما و Wi-Fi داده هایی را برای نمایش در نقشه زنده که فعالیت در دفاتر و دیگر گیاهان فیزیکی را نشان می دهد ، جمع آوری می کند. واضح است که چنین قابلیت هایی در پی ویروس کرونا از واردات ویژه ای برخوردار هستند.

R etooling برای بعد عادی

به گفته پرشنت میسور ، مدیر بازاریابی و توسعه استراتژیک DELMIA در Dassault Systèmes ، تغییرات ظریف در اتوماسیون اینترنت اشیا در حال انجام است ، که ناشی از رویدادهای جهانی است.

میسور گفت ، یک چیز ، “یک عادی بعدی” متمرکز بر اطمینان از ایمنی و امنیت کارکنان است. وی همچنین پیش بینی می کند تغییرات بیشتری در زنجیره های تأمین صورت گیرد ، زیرا ارتباط نزدیکتر با تأمین منابع از اهمیت بیشتری برخوردار می شود و نظارت بر زنجیره های تأمین در زمان واقعی مورد نیاز است.

میسور گفت ، شبیه سازی سیستم ها و مدل سازی ۳-D در این زمینه کمک خواهد کرد ، به ویژه در مواردی که باید تجزیه و تحلیل جدید “چه شود” از رفتار سیستم به سرعت انجام شود. او مانند دیگران ، تغییر سریع برق در تولید ونتیلاتور توسط سازندگان خودرو و دیگران را به عنوان منادی چیزهای آینده انتخاب می کند.

اوضاع بسیار پویا است. به عنوان مثال ، مردم باید ببینند که چگونه عملیات از راه دور و شبکه بر امنیت تأثیر می گذارد. “وی با اشاره به افزایش تعمیر و نگهداری سیستم IoT از راه دور در آینده نیز اشاره کرد. میسور اظهار داشت ، این حرکت به سمت انعطاف پذیری عملیاتی بیشتر ، نیاز به همگرایی بین سیستمهای IT و سیستمهای عملیاتی را نیز نشان می دهد.

خودمختاری کردن موارد غیرقابل پیش بینی

البته ، کف کارخانه همچنان ارگ اتوماسیون است. به گفته خوان آپاریسیو ، رئیس اتوماسیون ساخت پیشرفته ، فناوری شرکت سهامی زیمنس ، عوامل کلیدی در بازی داده های کلان ، ML و روند کلی دیجیتالی شدن است.

آپاریسیو گفت این عوامل با هم ترکیب می شوند و آنچه را ” اتوماسیون خودمختار ” می نامد ایجاد می کنند . به نظر می رسد این گام بعدی برای اتوماسیون ، ورود به حوزه غیرقابل پیش بینی است.

Aparicio توضیح می دهد ، در اتوماسیون سنتی یا کلاسیک ، برنامه ریزی حرکتی صریح وجود دارد. کارها و رویه ها ثابت و تکراری هستند. این بخاطر تغییر است.

“از نظر تاریخی ، ما در اتوماسیون روند قابل پیش بینی بسیار ماهر بوده ایم. به عنوان مثال ، خط جوشکاری در مونتاژ خودرو ، “او گفت. اگر قطعات کاملاً نشان داده نشوند ، این رویکرد با موضوعاتی روبرو می شود. و تغییر این سیستم ها بسیار برنامه نویسی می کند.

Aparicio ، كه این امر را حركت “از خودكار كردن قابل پیش بینی به خودكارآمد كردن غیرقابل پیش بینی بودن” می گوید ، با استفاده از اتوماسیون خودمختار نسل بعدی ، سیستم ها بر اساس مدل سازی ML ساخته می شوند تا برنامه ریزی صریح.

همانطور که اخیراً هجوم COVID-19 به خطوط تولید مجدد کالا نشان داد ، تغییر در تولید می تواند چالش برانگیز باشد. این می تواند یک کار برای اتوماسیون خودمختار باشد ، که Aparicio آن را وسیله ای برای دستیابی به انعطاف پذیری بیشتر در اتوماسیون و رباتیک می داند.

Edge Computing متناسب است

مجریان اینترنت اشیا باید توجه داشته باشند که اتوماسیون بیشتر چیزی بیشتر از الگوریتم های یادگیری ماشین است. رهبران تیم همچنین باید چرخه کامل زندگی محصولات را درک کنند.

Aparicio گفت: “اتوماسیون خودکار به این معنی است که شما باید داده ها را استخراج کنید ، آنها را حفظ کنید ، بفهمید که در کجا ذخیره می کنید – این یک معماری محاسباتی متفاوت است و به یک روش جدید برای برنامه ریزی نیاز دارد.” “هیچ چیز رایگان نیست ، یادگیری ماشین بسیار محاسباتی و فشرده است.”

پاسخ به این مسئله در برخی موارد رباتیک است که با رایانه لبه ای مرتبط است. Aparicio گفت: “بسیار منطقی است که کامپیوتر را بسیار نزدیک به روند کار قرار دهیم.” “Edge به خوبی متناسب است.”

Aparicio گفت ، در عین حال ، اتوماسیون خودمختار باید به عنوان یک افزودنی به روشهای اتوماسیون کلاسیک دیده شود ، نه یک جایگزین کامل.

از روزهای ظهور اتوماتیک Jacquard تا خط مونتاژ خودکار هنری فورد و بعد از آن ، اتوماسیون باعث استفاده از فناوری جدید شده است. واضح است که فناوری های حاضر آماده پاسخگویی به این فراوانی هستند ، و رهبران فناوری را در مورد تجدید تصور اتوماسیون در مورد اینترنت اشیا ، بسیار مورد تأمل قرار می دهند.