データ管理は機械学習とA.I.を促進しますIIOTで

会議やウェビナーに参加したり、製造分野のアナリストと話をしたりすると、「機械学習」と「人工知能」（AI）という2つの最大の流行語が聞こえます。ここシスコでは、これらの分野についても調査と投資を行っており、ポートフォリオで機械学習とAIを積極的に推進しています。

多くの場合、2つの用語は誤解されます。グローバルパートナーの1つであるSASは、最近、2つの違いに関する優れたビデオを作成しました。

ビデオに記載されているように：

• AIは、人間をエミュレートする機械とコンピューターの科学です
• 機械学習は、機械がデータから学習する方法の背後にある方法です

では、なぜこれらのトピックが重要なのか、そしてなぜ製造業の将来に関連するこれらの分野の周りにそれほど多くの話題があるのでしょうか？現在、インダストリー4.0 /スマートマニュファクチャリングの時代に製造業が見られます。この技術の進化については、このブログ全体で詳しく説明されていますが、製造業の究極のガイドから簡単に要約すると、この旅のメーカーにとって重要な3つの基本的な領域があります。

1. ハイパーアウェアネス：リアルタイムの洞察と将来の傾向を認識する組織能力。ハイパーアウェアネスの重要な要素は、製品やサービスが実際にどのように使用されているかを直接確認できることです。
2. 情報に基づく意思決定：ハイパーアウェアネスを通じて到着する情報を積極的に分析し、それを最も必要とする人々に確実に届くようにする機能。
3. 迅速な実行：情報に基づいた意思決定を実行に移す必要があります（たとえば、プラントフロアの機械が疲労の初期兆候を示した場合の予知保全）。

機械学習とAIは、これらの基本的な機能の自然な拡張です。

IDCによると：

IDCは、AIのこの傾向は今後も拡大し続けると述べており、「収益が460億ドルを超える2020年まで、年複利成長率54.4％を達成しています。 ¹

機械学習とAIの基盤

機械学習とAIの両方の基本的な部分はデータです。データはこれらのプラットフォームに供給され、製造のあらゆる側面を改善し、最終的には投資収益率（ROI）の向上を実現します。たとえば、単純化された予知保全シナリオでは、マシンとその監視制御システムは、その最適なパフォーマンスを相関させ、ベースラインからの逸脱がある場合に認識できる必要があります。複数のデータソースを検討し、相互に関連付け、分析してから、決定を下す必要があります。情報が多すぎると、分析が圧倒され、処理が遅くなる可能性があります。情報が少なすぎると、マシンはインテリジェントに最適化および改善するための価値を引き出しません。機械学習とAIは、ほんの一例として、サプライチェーンの最適化、研究開発、新製品の紹介などの分野でアプリケーションを変革することもできます。

ここで、工場が1日あたり1,000 TBのデータを生成でき、10,000以上のセンサーがレガシーおよび新しい機械から12,000以上の変数をキャプチャできると考えてください。これらの相互に関連する要因は考慮すべきことが多く、メーカーはデータへの接続性を考慮する必要があるだけでなく、データの送信先、送信頻度、使用方法も決定する必要があることを意味します。これらのデータダイナミクスは、機械学習とAIの燃料としての基盤を確立します。

AIと機械学習をサポートするために考慮すべきいくつかのデータ管理領域：

• 頻度：データがビジネスに付加価値をもたらす頻度を検討し、その頻度だけを引き出します。不必要なデータプルは、情報過多を引き起こす可能性があります。コンピューティング用のクラウドアプリケーションを追加すると、セグメント化されていないデータが不要なコストとオーバーヘッドを追加し、運用予算に影響を与えるシナリオを作成することもできます。
• 優先順位付け：重要でないデータよりも重要なデータを優先して、ネットワークの整合性を確保し、貴重な情報が適切な宛先に確実に届くようにします。
• 処理：従来のコンピューティングモデルは、分析のためにデータをコアデータセンターまたはクラウドに送信します。ただし、これは多くの製造シナリオでは実用的ではありません。多くの場合、製造データの機械学習とAIには、リアルタイムの分析が必要です。ネットワークアーキテクトは、機械学習とAIイニシアチブをサポートするために、エッジコンピューティングと集中型データコンピューティングのハイブリッドソリューションを検討する必要があります。
• オーケストレーション：データの流入により、機械学習とAIプラットフォームがそのデータをどのように受け取り、どのように消費するかをマッピングすることが重要になります。データをいつ受信したか、どのように配信したか、なぜ送信したかなど、データの一貫した制御と認識を実装することが不可欠です。
• セキュリティ：本番環境の整合性はミッションクリティカルですが、複数のデータフィードを接続すると、新しいセキュリティの脆弱性が発生する可能性があります。機械学習とAIはビジネスに多大なメリットをもたらす可能性がありますが、セキュリティ違反はデータとプライバシーのリスクを生み出し、企業の評判と顧客の信頼を脅かす可能性があります。反対に、機械学習は、異常を検出する手段としてセキュリティを強化するのにも役立ちます。

メーカーが機械学習とAIの基盤を構築できるように、デジタルマニュファクチャリングにおけるデータ管理のガイドを作成しました。このガイドでは、データ管理に関するベストプラクティスと、テクノロジーロードマップを検討する際に適切なワークロードアーキテクチャを決定するための考慮事項について説明します。また、重要なケーススタディと、この新しいデータモデルへの移行に役立つリソースも含まれています。

1. 出典：IDC FutureScape：Worldwide Manufacturing 2018 Predictions、doc＃DC＃US42126117、2017年10月、