El internet de las cosas (IoT) es un componente clave de las fábricas inteligentes. Las máquinas de la fábrica incorporan sensores con una dirección IP que permite la conexión de dichas máquinas a otros dispositivos habilitados para la web. Esta mecanización y conectividad hacen posible la recopilación, el análisis y el intercambio de grandes cantidades de datos valiosos.
IoT – Dispositivos o datos La respuesta es simple Artificial Intelligence
Download: https://urlgoal.com/2vKdXB
Las exigencias de las operaciones de producción en tiempo real hacen que algunos análisis de datos deban realizarse en el "edge", es decir, donde se crean los datos. Esto minimiza el tiempo de latencia desde que se producen los datos hasta que se requiere una respuesta. Por ejemplo, la detección de un problema de seguridad o calidad puede requerir una acción casi en tiempo real con el equipamiento. El tiempo que se requiere para enviar los datos al cloud de la empresa y luego de vuelta a la fábrica puede resultar demasiado largo y, además, depende de la fiabilidad de la red. Usar edge computing también significa que los datos permanecen cerca de su origen, lo que se traduce en una reducción de los riesgos de seguridad.
La transformación digital que ofrece la Industria 4.0 ha permitido a los fabricantes crear gemelos digitales que son réplicas virtuales de procesos, líneas de producción, fábricas y cadenas de suministro. Un gemelo digital se crea extrayendo datos de sensores, dispositivos, controladores lógicos programables (PLC) y otros objetos del IoT conectados a internet. Los fabricantes pueden utilizar gemelos digitales para aumentar la productividad, mejorar los flujos de trabajo y diseñar nuevos productos. Por ejemplo, al simular un proceso de producción, pueden probar cambios en el proceso para encontrar maneras de minimizar el tiempo de inactividad o mejorar la capacidad.
La arquitectura de red de una fábrica inteligente depende de la interconectividad. Los datos en tiempo real recogidos por los sensores, dispositivos y máquinas de la fábrica pueden ser empleados inmediatamente por otros activos de esta, y también se pueden compartir con otros componentes de la pila de software de la empresa, como la planificación de recursos empresariales (ERP) y otros programas de gestión empresarial.
La transformación digital hacia la Industria 4.0 comienza con la recopilación de datos y, luego, es la inteligencia artificial la que da sentido a esos datos. Las fábricas inteligentes emplean dispositivos de IoT que conectan máquinas y sistemas informáticos para obtener una imagen clara de las plantas de producción con datos en tiempo real. A continuación, se utilizan la IA y el machine learning para extraer información práctica de las grandes cantidades de datos.
Afiance la promesa de la Industria 4.0. Transforme sus tecnologías de producción heredadas conectando dispositivos de IoT, recopilando y analizando datos en tiempo real, y optimizando su proceso de fabricación.
AWS IoT Greengrass le da lo mejor de ambos recursos. Use los modelos de machine learning que están creados, capacitados y optimizados en la nube y ejecute la inferencia de manera local en los dispositivos. Por ejemplo, puede crear un modelo predictivo en SageMaker para el análisis de detección de escena, optimizarlo para ejecutar en cualquier cámara y, luego, implementarlo para predecir actividad sospechosa y enviar un alerta. Los datos recopilados de la inferencia que se ejecutan en AWS IoT Greengrass se pueden enviar de nuevo a SageMaker donde se pueden etiquetar y usar para mejorar de manera continua la calidad de los modelos de machine learning.
El Edge Computing es una de las tecnologías que definirá y revolucionará la manera en la que humanos y dispositivos se conectan a internet. Afectará a industrias y sectores como la del coche conectado, los videojuegos, la Industria 4.0, la inteligencia artificial o el machine learning. Conseguirá que otras tecnologías como la nube o el internet de las cosas sean aún mejores de lo que son ahora. Como es probable que oigas el término a menudo en los próximos años, vamos a detallar qué es el Edge Computing, explicado en términos sencillos.
El servidor en cuestión procesa tus datos (procesar es un término clave aquí, como vamos a ver), opera con la información y devuelve una respuesta. Por ejemplo: cuando te conectas a Gmail a través de tu dispositivo, pides al servidor de Google que te muestre el estado actual de tu bandeja de entrada, este procesa tu solicitud, consulta si tienes correo nuevo y te devuelve la respuesta que ves en tu pantalla. Como los datos están en la nube, da igual el dispositivo desde el que lo hagas.
El Internet de las Cosas, o IoT, es el sistema que conforman miles y miles de dispositivos, máquinas y objetos interconectados entre sí y a internet. Con tal cantidad, es lógico asumir que tanto el volumen de datos generado por cada uno de ellos como el número de conexiones a los servidores se dispare exponencialmente.
La cuestión es que cada vez que uno de estos dispositivos se conecta a la nube realiza un viaje similar al que explicábamos arriba. Por el momento y en la mayoría de los casos eso es suficiente, pero en determinados casos ese viaje es demasiado largo para la rapidez e inmediatez que podríamos obtener si, simplemente, la nube estuviese más cerca.
Dicho de otro modo: tenemos todavía mucho margen de mejora. Las posibilidades que pueden obtenerse si acercamos la nube a donde se generan los datos son simplemente incalculables. Ahí es, precisamente, donde entra en acción el Edge Computing.
Lo que importa cuando hablamos del borde de la red es que acercamos a los usuarios la capacidad de procesar y almacenar datos. Gracias a ello, con el Edge Computing podemos virtualizar las capacidades del servidor y habilitamos que el poder de procesamiento ocurra en esos dispositivos del borde.
A modo de ejemplo imaginemos una carretera del futuro por la que circulan 50 coches conectados y que además son completamente autónomos. Eso implica sensores que miden la velocidad de los coches del entorno, cámaras que identifican señales de tráfico u obstáculos en la calzada y toda una serie de datos adicionales. La velocidad a la que la comunicación debe producirse entre ellos y el servidor que controle esa información tiene que ser mínima. Es un escenario donde simplemente no podemos permitirnos que la información viaje hasta un servidor remoto en la nube, se procese, y vuelva.
Los algoritmos de Machine Learning a menudo funcionan entrenando a la inteligencia artificial con miles y miles de imágenes. Siguiendo con nuestro ejemplo, para cada imagen de un producto se le dice al algoritmo si pertenece a un elemento que ha sido fabricado correctamente o no. Mediante la repetición, y bases de datos gigantescas, la IA acaba aprendiendo cuáles son las características de los elementos que no presentan defectos y, si fallan en uno concreto, determina que no ha pasado el control de calidad.
El Edge Computing mejora radicalmente ese proceso. En lugar de tener que acudir al servidor en la nube en cada caso, podemos generar una copia (virtualizada o reducida) del modelo de machine learning que se sitúa en el borde de la red. Es decir, prácticamente en el mismo sitio donde se están generando los datos. Así, los sensores no tienen que enviar la información a la nube lejana para cada elemento, sino que cotejan la información directamente con el modelo en el edge y, en caso de que este no concuerde porque el producto es defectuoso, entonces sí envían una petición al servidor. De esta manera, se mejoran las prestaciones, sin necesidad de aumentar la complejidad de los sensores, e incluso se permite simplificar los dispositivos, al poder usar las capacidades de procesamiento desplegadas en el borde de la red para alguna de sus funciones.
La respuesta es que era imposible, para que el Edge Computing funcione correctamente necesitamos, entre otras cosas, una conectividad de última generación sustentada en fibra óptica y en 5G. Cuanto mejor sea el despliegue de red, mejor será el Edge Computing. Sin la velocidad ni latencia tan baja que ofrece la combinación de ambos, todos los esfuerzos en acercar el poder de la nube al borde a donde se procesan los datos, quedarían en vano. La red simplemente no estaría preparada.
Los datos de IoT están muy desorganizados, lo cual dificulta el análisis con herramientas tradicionales de análisis e inteligencia empresarial diseñadas para procesar datos estructurados. Los datos de IoT suelen proceder de dispositivos que graban procesos con ruido (tales como temperatura, movimiento o sonido). Por ello, los datos de estos dispositivos pueden tener con frecuencia discontinuidades notables, mensajes dañados y lecturas falsas que se deben limpiar antes de poder llevar a cabo un análisis. Además, los datos de IoT suelen ser significativos solo en el contexto de entradas de datos adicionales de terceros. Por ejemplo, para ayudar a que los agricultores determinen cuándo tienen que regar sus cultivos, los sistemas de riego de viñedos suelen enriquecer los datos del sensor de humedad con datos sobre precipitaciones del viñedo, permitiendo un uso más eficiente del agua al tiempo que se maximiza el rendimiento de la cosecha.
AWS IoT Analytics automatiza cada uno de los difíciles pasos obligatorios para analizar los datos de los dispositivos IoT. AWS IoT Analytics filtra, transforma y enriquece datos de IoT antes de almacenarlos en un almacén de datos de series temporales para su análisis. Puede configurar el servicio para recopilar solo los datos que necesita de sus dispositivos, aplicar transformaciones matemáticas a los datos para procesarlos, y enriquecerlos con metadatos específicos del dispositivo, como el tipo de dispositivo y la ubicación, antes de almacenar los datos procesados. A continuación, puede analizar los datos mediante la ejecución de consultas ad hoc o programadas con el motor de consultas SQL integrado o llevar a cabo análisis más complejos e inferencias de machine learning. AWS IoT Analytics facilita comenzar a trabajar con el machine learning incluyendo modelos prediseñados para casos de uso de IoT comunes. 2ff7e9595c
コメント