Big Data to termin, który określa przetwarzanie danych o dużej objętości, rozmaitym formacie i pochodzeniu, z dużą prędkością i dającym wiarygodne informacje. Często Big Data pojawia się w towarzystwie AI – sztucznej inteligencji oraz IOT – Internetu rzeczy – w pierwszym przypadku celem jest automatyzacja podejmowanych decyzji, w drugim dostarczenie systemowi użytecznych danych, których źródłem są dołączone do sieci przedmioty.
Pojęcie to jest zdecydowanie jednym z najczęściej pojawiających się zwrotów w ostatnich latach w branży technologicznej, ale nie tylko.
Kajetan Mroczek, Senior Systems Engineer, Dell Technologies Poland
Big Data – po co?
Ostatnio w czasie swoich podróży służbowych kilkakrotnie zahaczałem o temat Big Data z szefami IT różnych firm produkcyjnych. Zwykle było to tak, że robiąc przegląd projektów, które planują na najbliższy czas i w których moglibyśmy jakoś wziąć udział pytałem, czy może w tej dziedzinie nas jakoś przyjemnie zaskoczą. Parę razy odpowiedź była pozytywna, ale częściej odpowiedzią na moje pytanie było inne pytanie: a po co?
Od razu sobie powiedzmy, że to nie było takie agresywne „a po co?”, które ma zamknąć temat co, do którego druga strona jest przekonana, że „to się u nas nie przyjmie”. To raczej takie pytanie, na które odpowiedź jest oczekiwana – a dlaczego o tym będzie na końcu.
Wiadomo, jeśli takie pytanie pada, to firma nie ma jeszcze żadnej strategii dotyczącej przetwarzania danych, ale to wcale nie oznacza, że się za taką strategią nie rozgląda, więc rozmawiamy.
Taka rozmowa to zwykle seria przykładów, które staram się dostosowywać do sytuacji Klienta, ale uczciwie sobie powiedzmy, że tym lepiej to wychodzi im lepiej znam specyfikę firmy. Z drugiej strony pewne pomysły są dość uniwersalne więc pozwolę sobie je tu przedstawić.
Big Data, a jakość produkcji
Wiele firm ma obowiązek dokumentowania kolejnych etapów produkcji każdej sztuki wyprodukowanego towaru. Od pierwszych chwil życia produktu, aż do jego zapakowania i załadunku wykonywane są fotografie (czasem nawet rentgenowskie). Cały ten materiał jest trzymany przez określony, przez odbiorcę albo producenta, czas dla potrzeb różnego rodzaju reklamacji. Czasem retencja danych to kilka lat, więc ilość gromadzonych plików uruchamia różnego typu projekty archiwizacyjne. Dane naturalnie są wykorzystywane rzadko i skłamałbym, gdybym nie przyznał, że można w nich nawigować prostą bazą danych.
Czy jednak firma czerpie korzyści z tego archiwum? Oprócz możliwości ustalenia po np. dwóch latach swojej odpowiedzialności wobec odbiorcy zasadniczo dane „leżą i się kurzą”.
A może być inaczej, jeśli analiza danych obrazowych będzie prowadzona automatycznie. Jeśli korzystając z posiadanych fotografii można ustalić odpowiedzialność firmy po dwóch latach to prawdopodobnie można wychwycić wszelkie anomalie już wcześniej. Co więcej przetwarzając dane masowo można wyciągnąć nieco bardziej użyteczne wnioski niż ten, że nie udało się raz czy dwa dotrzymać założonych standardów. Można zauważyć, która maszyna, linia, pracownik częściej niż inni mają problem z jakością.
Można też poszukać korelacji pomiędzy jakością, a tym co dzieje się w świecie zewnętrznym. Wyszukiwanie takich korelacji to bardzo ciekawe zagadnienie, którym zajmuje się zaawansowana analityka, a opłacalnym skutkiem jej działania może być podniesienie jakości produkcji.
Niektórych może zainteresować fakt, że dane obrazowe, takie jak archiwum w przykładzie powyżej, zwykle proponujemy przechowywać na platformie Dell EMC Isilon, która poza innymi korzyściami oferuje bardzo efektywny interfejs do klastrów Hadoop, będących podstawą większości dużych instalacji analitycznych. Jeśli więc firma takie archiwum już zbudowała, to dołączenie systemu analitycznego i wykorzystanie leżących tam danych będzie znacznie prostsze niż budowa całej infrastruktury od początku.
Ograniczanie ryzyka i planowanie produkcji dzięki Big Data
Inny przykład, również związany z produkcją. Wiele firm posiada maszyny, w których zainstalowano rozmaite czujniki. Czujniki mają ostrzegać przed niespodziewaną awarią maszyny dając obsłudze czas na wymianę podzespołów, zanim zdarzy się awaria, albo ułatwiać diagnostykę, gdy do awarii doszło. Mimo wszystko czasem awaria zdarza się jednak zupełnie niespodziewanie. Czy rządzi tym przypadek? Czasami tak. Jednak podobnie jak styl jazdy wpływa na szybkość zużywania się klocków hamulcowych, tak warunki środowiskowe mogą wpływać na szybsze lub wolniejsze zużywanie się podzespołów maszyn produkcyjnych.
Co by było gdybyśmy wiedzieli, że nasza maszyna z podobnym stanem komponentów ma o 50% większą szansę na awarię, jeśli rośnie wilgotność powietrza i jednocześnie mieli świadomość, że któryś z komponentów jest już bliski zużycia? To zależy jaka byłaby prognoza pogody i planowane obciążenie maszyny w najbliższym czasie. No właśnie.
Integracja systemu monitorującego zużycie podzespołów, planowania produkcji i (w naszym przykładzie) prognozy pogody – może to nie jest jakieś bardzo wyszukane rozwiązanie, ale korzyść z jego wykorzystania będzie tym większa im wyższe kary kontraktowe za niedotrzymanie terminu dostaw…
AI vs BHP
Na koniec ciekawy przykład powiązany z bezpieczeństwem pracy. Jeden z naszych partnerów chwalił mi się ostatnio, że przygotował rozwiązanie, które nie wpuszcza do pracy pracowników bez ubrania ochronnego. System jest inteligentny i czujny. Wie na przykład, że gdy „patrzy na pracownika” to kask ma być na głowie, a nie pod pachą. Wszystko odbywa się w pełni automatycznie. Nie tylko nie daje się go oszukać, ale też trudno się na niego obrazić… – to akurat rozwiązanie bardziej z dziedziny sztucznej inteligencji niż Big Data.
Na samym początku obiecałem napisać, dlaczego, moim zdaniem warto czasem odpowiedzieć na nieco prowokacyjne pytanie „a po co”. Zdarza się mianowicie tak, że Manager IT, z którym rozmawiam już od dłuższego czasu szykuje się do rozmowy z prezesem. Prezes natchniony ideą Przemysłu 4.0 poszukuje nowych pomysłów. Siłą rzeczy poszukuje ich w dziale IT.
Czy uważacie, że odpowiadając prezesowi warto posłużyć się, którymś z powyższych przykładów?
