Análisis de datos, aprendizaje automático e Internet de las cosas

Análisis de datos, aprendizaje automático e Internet de las cosas

Actualmente estamos en un mundo donde el grado de networking es cada vez mayor, los sensores de bajo coste y la inteligencia distribuida también se están volviendo más populares. Y la industria está a punto de enfrentar esto. Todo esto traerá un impacto revolucionario; al mismo tiempo, se generará una gran cantidad de datos en el proceso y su escala será tan grande que excederá con creces lo que los humanos pueden manejar. En este sentido, ¿pueden las empresas adaptarse y hacer evolucionar su negocio lo suficientemente rápido como para mantener su posición en el panorama competitivo? Frente a estas nuevas fuentes de información y dispositivos inteligentes integrados en el entorno en el que vivimos, ¿cómo deberían los humanos dominarlos y beneficiarse de ellos? Las organizaciones que aprovechen las tecnologías en evolución necesitarán construir almacenes de datos internos para poder aprovechar nuevas fuentes y flujos de datos. Los dispositivos de acceso inteligentes también reemplazarán a los humanos en algunas situaciones y podrán tomar decisiones por sí mismos, realizar autoajustes o iniciar correcciones y reparaciones por sí mismos según sea necesario. En otros escenarios, conjuntos de muchos dispositivos se unirán para formar sistemas completos, que se pueden optimizar de nuevas maneras y los sistemas de sistemas compartirán datos entre sí y se convertirán en un ecosistema de datos y dispositivos; El aprendizaje automático (métodos para derivar significado de los datos) está destinado a convertirse en parte de este ecosistema, al igual que las técnicas tradicionales de análisis de datos y negocios a medida que las empresas se preparan para el Internet de las cosas (IoT). Dentro de este ecosistema, el Internet de las cosas (algunos prefieren llámelo “Internet de todo”—está en una trayectoria ascendente. Un estudio de Gartner afirma que el número de unidades de IoT alcanzará los 26 mil millones en 2020, y el valor de mercado de los productos y servicios de IoT alcanzará los 300 mil millones de dólares1. Además, GE ya está activa en Internet industrial, un concepto que abarca mecanismos y aplicaciones para monitorear y optimizar el rendimiento de equipos industriales como motores a reacción, locomotoras de ferrocarril, turbinas de energía y procesos de fabricación a largo plazo. Según las estimaciones y pronósticos de GE, en los próximos 20 años, la Internet industrial ayudará a aumentar la producción del PIB mundial entre 10 y 15 billones de dólares (sí, billones). Por supuesto, hay mucho revuelo en torno a las nuevas tecnologías que ya están disponibles y los conceptos que están surgiendo. Por ejemplo, el controvertido informe "Ciclo de exageración" de Gartner (Nota: algunas personas también usan el término despectivo "ciclo de exageración") coloca a IoT en el "pico de lo tan esperado" (y big data como El punto caliente anterior ha entrado en el " valle de la desilusión" 3). Sin embargo, incluso si los empresarios expresan un entusiasmo apasionado al respecto, o los periodistas expresan visiones entusiastas del futuro en sus escritos, en realidad todavía hay muchos desafíos que las organizaciones deben superar antes de poder aprovecharlos realmente. evolución. Las organizaciones de desafío deben centrarse en: comprender la madurez relativa de las capacidades empresariales en la tecnología de productos y las áreas de TI; comprender qué tipos de capacidades de IoT se pueden incorporar y cómo las nuevas capacidades afectarán el valor para el cliente; comprender el aprendizaje automático y repensar el papel de los modelos de análisis predictivo; modelos de negocio y cadenas de valor basados ​​en la rapidez del cambio del mercado y la relativa agilidad de los competidores. A continuación, analicemos cada uno de estos desafíos con más detalle. Para comprender la madurez del producto y de TI, podemos analizarla desde dos dimensiones: producto y TI. En primer lugar, ¿qué tan madura es la cartera de productos? ¿Es un tipo de producto tradicional que cambia más lentamente y evoluciona incrementalmente, o es un producto que se mueve más rápido y tiene un ecosistema más complejo? Los equipos de minería son técnicamente muy complejos. Además, en comparación con los instrumentos de investigación científica, tiene un ciclo de vida más largo y una velocidad de evolución relativamente más lenta. Sin embargo, esto no significa que las empresas de instrumentos de investigación científica tengan una ventaja en el uso de productos de IoT para la optimización de sistemas. Otro factor a considerar es la madurez de sus procesos de TI. Las organizaciones de todo tipo pueden beneficiarse de la adopción de IoT; sin embargo, los modelos que deben adoptar para hacerlo variarán. Analicemos más a fondo el factor del nivel de madurez de TI. Por ejemplo, un proveedor de instrumentos de investigación científica puede tener tecnología avanzada, pero puede carecer de una arquitectura de TI, procesos y capacidades de gobernanza de TI sólidas. Por el contrario, un fabricante de equipos de minería puede tener procesos de TI internos muy maduros.

Para las empresas de instrumentos de investigación científica, IoT les permitirá actualizar las funciones de los instrumentos y equipos instalados en el sitio; sin embargo, las empresas no necesariamente están dispuestas a intentar optimizar la biblioteca del ecosistema de información del laboratorio compuesta por múltiples tipos de equipos. (Por supuesto, la falta de madurez en TI como centro de costos, como la gestión interna de TI, no equivale a una falta de madurez en TI como centro de ganancias, como los productos de TI; pero cuando se desarrollan o expanden servicios de TI (en En ese momento, muchas organizaciones optaron por aprovechar las capacidades básicas de TI existentes). En la Harvard Business Review del año pasado, se analizó un ejemplo del sector de equipos de minería: Joy Global es un fabricante de equipos de minería, cuyo equipo de expertos abarca los diversos sistemas y. procesos asociados a las operaciones mineras. Joy Global confía en esto para brindar servicios de monitoreo, mantenimiento y optimización de una serie de equipos de múltiples proveedores4. Comprensión de las capacidades de IoT A continuación, debe considerar qué capacidades utilizar en los dispositivos inteligentes en red. El artículo 4 de Harvard Business Review recién mencionado señala que IoT incluye cuatro tipos de capacidades: monitoreo (los sensores proporcionan datos sobre el entorno operativo, el uso del producto y el rendimiento), la capacidad de controlar y personalizar funciones personalizadas del producto; optimización; bucles de retroalimentación; desde el monitoreo y el control se puede proporcionar mayor eficiencia, mejor rendimiento, mantenimiento preventivo y diagnóstico y reparación: el monitoreo, el control y la optimización respaldarán la operación independiente y la colaboración entre diferentes sistemas, la interacción con el medio ambiente, la personalización, el reabastecimiento y el autodiagnóstico; y reparar. Estos cuatro niveles de capacidades brindarán apoyo para redefinir la cadena de suministro y reconfigurar la cadena de valor. No deberíamos pensar que las características de los productos deberían ser fijas, sino que deberían ser más flexibles y adaptables. Esos dispositivos y productos inteligentes conectados tendrán características variables y podrán cambiar a medida que cambien las necesidades del usuario. Los fabricantes de software han descubierto esto durante años. Ahora, los objetos físicos se están transformando gradualmente en soportes o contenedores para funciones impulsadas por software. Las capacidades en estos niveles requieren enfoques cada vez más sofisticados para el análisis de datos, desde recopilar y aplicar datos hasta permitir que los propios algoritmos utilicen los datos y aprendan al mismo tiempo. El primer nivel de capacidades (vigilancia) se convertirá en un conjunto de mecanismos en tiempo real que podremos utilizar para comprender mejor las condiciones in situ y las necesidades de los usuarios y proporcionar nuevas capacidades. Esto significa que los productos y servicios tradicionales de una organización ya no serán distintos y los límites entre los dos se traspasarán entre sí. En el pasado, el mantenimiento de los equipos de campo lo realizaba una empresa contratista de servicios de campo y el negocio del fabricante del equipo no participaba en este vínculo. Cuando los dispositivos inteligentes se combinan con capacidades de monitoreo, el dispositivo puede notificar al fabricante de los servicios requeridos con anticipación antes de que ocurra una falla. Al mismo tiempo, los fabricantes de equipos también pueden incorporar el mantenimiento rutinario en su propio alcance de servicios. Sin embargo, si los beneficios y la logística son un problema para la organización, las reparaciones complejas seguirán siendo realizadas por contratistas especializados. Este modelo de “desintermediación” también se puede aplicar a la cadena de distribución. Los dispositivos pueden iniciar automáticamente solicitudes de reabastecimiento, reduciendo o incluso eliminando el estrés logístico y de inventario en la cadena de suministro. El control es una aplicación más compleja construida sobre el monitoreo. Podemos monitorear el funcionamiento del equipo y ampliar los límites de la intervención humana controlando múltiples partes del equipo o múltiples sistemas. Imagine el papel que desempeñan los humanos cuando operan un sistema o una máquina que realiza la mayoría de sus funciones automáticamente: los humanos dirigen el funcionamiento de la máquina y buscan cosas para las que el sistema no fue diseñado para anticipar (o para manejar desde un punto de vista rentable). perspectiva). Supongamos) condiciones de contorno, anomalías y excepciones. Luego, los humanos usan su propio juicio para realizar cambios, correcciones o ajustes. No necesitamos estar (espacialmente) con los dispositivos, y quizás no necesitemos monitorearlos en tiempo real (depende del proceso). Recopilamos y procesamos datos a través de la capa de monitoreo (algunos procesamientos de datos deben completarse en un momento específico) y aplicamos estos datos al funcionamiento de equipos o dispositivos en tiempo real (o casi en tiempo real) a través de la capa de control. Las organizaciones necesitarán tomar decisiones estratégicas sobre si deben proporcionar más capacidades de control en sus productos y cuándo, y si ofrecerlas a los clientes como un servicio o dejar que los clientes sean dueños de estas capacidades. El tercer nivel de capacidades (optimización) puede extenderse al rendimiento de un solo objeto, una serie de objetos o un ecosistema de objetos de múltiples fabricantes que utilizan diferentes tecnologías.

La posibilidad de ampliar la oferta de servicios a esta área depende del nivel de conocimiento y experiencia en torno a la cadena de valor y los límites del proceso. El ejemplo de minería mencionado anteriormente refleja que la ventaja de Joy Global sobre los proveedores radica en su perspectiva más centrada en el ecosistema de procesos. Tomemos el ejemplo de un fabricante de camiones, que no está bien posicionado para optimizar equipos mineros complejos, pero se beneficiaría de optimizar su propia gama de camiones (y potencialmente una gama de camiones de otros fabricantes), si la industria si la dinámica hace negocios. sentido. Ampliar el alcance de la optimización a la operación independiente también requiere cierta expansión de las capacidades de estos tres niveles para soportar interacciones menos restringidas con el medio ambiente y otros sistemas. Los requisitos de autonomía giran en torno a algoritmos que proporcionan más inteligencia para hacer frente a situaciones no planificadas, situaciones para las cuales los programadores e ingenieros de sistemas no lograron diseñar explícitamente. La operación autónoma requiere la integración de métodos adaptativos de aprendizaje automático para responder a situaciones emergentes y su incorporación en algoritmos centrales para monitoreo, control y optimización. Comprender el análisis y el aprendizaje automático En noviembre de 2014, Mike Kuniavsky, del Centro de investigación de Palo Alto de Xerox, dio una charla en IDTechEx titulada "Experiencia de usuario en análisis predictivo en el espacio de IoT". En su discurso dijo que deberíamos almacenar (o almacenaremos en un futuro próximo) casi todas las funciones en la nube. Se puede acceder a los datos y las funciones desde cualquier ubicación y en cualquier dispositivo. El equipo profesional proporciona un entorno para que los usuarios accedan a los datos. La pulsera de salud puede acceder a los datos de salud física del usuario en un entorno de ejercicio específico a través de un iPhone o una computadora portátil. En este caso, la banda de salud desempeña el papel de un sensor de IoT y al mismo tiempo proporciona una forma de acceder y utilizar datos, y también incluye las capacidades de algunos otros dispositivos (como un podómetro) a través de funciones de software. Los datos generados en el dispositivo pueden proporcionar a los fabricantes información adicional para ayudarles a comprender el uso y las preferencias de los consumidores, y utilizarlos para actualizar la funcionalidad o desarrollar nuevas funciones. Si los datos de los grupos de usuarios se agregan y combinan con otros conjuntos de datos, nuevos conocimientos pueden arrojar luz sobre los datos sobre epidemias, niveles de actividad de la población, estilos de vida y demografía. Esta información es valiosa para los especialistas en marketing, proveedores de atención médica, compañías de seguros y agencias gubernamentales. (Por supuesto, debemos tomar en serio nuestras responsabilidades de privacidad y consentimiento de datos). Podemos utilizar algoritmos de aprendizaje automático para hacer predicciones basadas en estos patrones de datos. Por ejemplo, un estudio de la Clínica Mayo encontró una correlación entre los datos de actividad y la tasa de recuperación de los pacientes con enfermedades cardíacas5. El mismo aprendizaje automático y algoritmos predictivos también subyacen a muchos dispositivos de consumo inteligentes conectados. Por ejemplo, el termostato Nest es un dispositivo que utiliza patrones de datos para predecir los requisitos de temperatura de un consumidor para una habitación específica en un momento específico del día. (Otro ejemplo de control y optimización es a nivel residencial. Con el permiso del propietario, la empresa de energía puede controlar de forma remota cientos o miles de dispositivos Nest para aumentar o disminuir la temperatura ambiente en unos pocos grados, completando así la carga de energía. programación durante los períodos pico). Esta categoría de dispositivos de consumo abarca desde patrones basados ​​en voz, como el dispositivo de entrada de asistente personal Echo 6 de Amazon, hasta patrones de comportamiento y actividad más complejos, como el sistema de vigilancia Land Rover de Jaguar, que se basa en un complejo sistema de software que permite al automóvil Aprenda, prediga, verifique y recuerde a los pasajeros en el vehículo para ayudar al conductor a delegar automáticamente tareas secundarias para que pueda concentrarse más en conducir 7) Alcance del aprendizaje. Los algoritmos de optimización utilizan mecanismos de aprendizaje automático para aprovechar los datos devueltos por sensores y dispositivos inteligentes que interactúan en entornos dinámicos. Los algoritmos no pueden predecir con precisión estas situaciones cambiantes basándose en parámetros específicos, pero necesitan detectar, responder y adaptarse continuamente. Por ejemplo, a medida que los automóviles asumen más responsabilidad por parte del conductor, necesitan interactuar con más fuentes de datos en su entorno (sensores, luces, otros vehículos, etc.). Las aplicaciones en áreas como la automatización industrial, la logística y el transporte, las redes eléctricas y los sistemas energéticos, la gestión del tráfico, los sistemas de seguridad y otros "sistemas de sistemas" permitirán que las máquinas se comuniquen directamente con otras máquinas. Además, estas aplicaciones se basarán en algoritmos que pueden evolucionar y adaptarse para ayudar a las máquinas a traducir flujos de datos, de modo que puedan alcanzar el estado final requerido en función de parámetros operativos determinados.

Repensar los modelos de negocio y las cadenas de valor Los dispositivos inteligentes conectados requieren que las organizaciones reexaminen su posición en el mercado, cómo crean valor y cómo ese valor aumentará o disminuirá a medida que evolucionen el entorno competitivo y el ecosistema de la información. Los análisis ayudarán a validar ciertas decisiones (por ejemplo, obtener datos de uso en tiempo real después de realizar cambios en las características o agregar servicios y funcionalidades; sin embargo, los nuevos participantes en el mercado y las nuevas estructuras de la cadena de valor pueden traer cambios significativos en la transformación y el análisis del modelo de negocio). basado en el modelo de negocio tradicional de una empresa ya no será relevante. Por lo tanto, la base de un producto o servicio puede desplazarse hacia flujos de datos de productos tradicionales en lugar de ingresos del producto en sí. El nuevo modelo de negocio se ampliará y puede incluso ir mucho más allá del alcance del producto en sí para cubrir a los proveedores o consumidores finales. Lo más importante es que todas estas posibilidades requerirán que las organizaciones tengan capacidades fundamentales en torno al estado de sus datos internos y su infraestructura para el análisis: conservación de datos, propiedad y estándares de calidad, arquitectura empresarial consistente, sistemas limpiamente integrados, procesos automatizados de incorporación de datos y análisis probados. expertos. Sin o no gestionar eficazmente estas condiciones fundamentales, las organizaciones tendrán dificultades para responder rápidamente y desarrollar nuevas capacidades y capacidades de análisis y gestión de datos. IoT se basará en flujos de datos y métodos complejos para obtener conocimientos a partir de la información y aplicarlos a la creación de valor integrándolos con el conocimiento corporativo. Las organizaciones que no posean estas capacidades quedarán rezagadas en el mercado o serán relegadas a niveles de bajo valor y baja rentabilidad. A los datos se les ha llamado el “nuevo petróleo”, y podemos ampliar esta metáfora para que signifique que los datos se refinarán para convertirlos en productos de alto valor a través del componente de extracción de conocimientos de las capacidades analíticas. Las organizaciones necesitan invertir recursos en la construcción de esta infraestructura ahora para prepararse para la transformación, la disrupción y la disrupción en sus cadenas de suministro y la creación de valor en los años venideros. La agilidad de la información se convertirá en una competencia básica necesaria.