Her er hvordan en lekmann – jeg – forklarer hva produksjon er: Det betyr å ta råvarer og gjøre dem om til ferdige produkter.
Hvis du vil ha en mer formell definisjon, her er en fra US Bureau of Labor Statistics: “Produksjonssektoren omfatter virksomheter som er engasjert i mekanisk, fysisk eller kjemisk transformasjon av materialer, stoffer eller komponenter til nye produkter.”
Det høres gammeldags ut og svært fysisk – og kanskje ikke akkurat fruktbart terreng for datainnovasjon. Likevel produksjon, akkurat som den samlede industrisektorenpasser naturlig for kantberegning og relaterte trender som IoT, AI og maskinlæring.
Automasjon er en stor avtale innen produksjon og har vært det i evigheter. (Bransjen har til og med hele fagpublikasjoner viet til emnet.) Når den bredere forretningsverden snakker om hvordan mennesker og maskiner – eller mennesker og kode, når det gjelder teknologier som RPA og AI/ML – vil jobbe ved siden av hverandre nå og i fremtiden, og produksjons-CIOer smiler og nikker bevisst.
Det er tonnevis av maskiner, robotikk, sensorer og andre enheter som genererer enorme mengder data. For å maksimere verdien av disse dataene trenger produksjonsbedrifter maksimal fleksibilitet i IT-infrastrukturen. Av grunner som ligner på industrisektoren, er ikke edge computing-arkitektur et usannsynlig valg i produksjonsmiljøer – det er naturlig.
[ Developing an edge strategy? Also read Edge computing: 4 pillars for CIOs and IT leaders. ]
“Produksjonsindustrien fortsetter å presse mot avanserte applikasjoner – fra roboter som suser rundt på lageret til akustiske kalibratorer til kameraer som oppdager feil på produksjonslinjen – for å fremme fabrikkautomatisering og effektivitet,” sier Brian Sathianathan, CTO ved Iterate.ai. «Det er ingen tvil om at edge computing er, og vil fortsette å være, enormt viktig for bransjen. Utfordringen for IT-sjefer i denne bransjen er imidlertid hvordan de skal sette kraften i edge-systemer på plass samtidig som de sikrer at edge-applikasjoner alltid er på og ikke ødelegger nettverkene deres.»
Edge computing gir produksjons-CIOer en modell for å ta strategiske beslutninger om hva som skal kjøres i for eksempel et lager eller på et samlebånd – og hva som skal kjøre i en sentralisert sky eller datasenter, og hva som skal flyte fra sky til kant og omvendt .
Som Rød hatt teknologievangelist Gordon Haff fortalte oss nylig: “Ideen er at du ofte ønsker å sentralisere hvis mulig, men holde desentralisert etter behov.” Og det påpeker Haffs tekniske evangelistkollega Ishu Verma kantarkitektur gjør det også mulig for IT-ledere å standardisere sine edge-operasjoner med samme praksis og verktøy som brukes i deres sentraliserte miljø(er).
“Denne tilnærmingen lar bedrifter utvide den nye teknologiens beste praksis til kanten – mikrotjenester, GitOps, sikkerhet, etc.,” sier Verma. “Dette tillater administrasjon og drift av edge-systemer ved å bruke de samme prosessene, verktøyene og ressursene som med sentraliserte nettsteder eller sky.”
Selv om det potensielt er sant for enhver bransje, er dette spesielt viktig i en sektor som produksjon, der en organisasjon godt kan ha tusenvis av kantnoder (eller flere) som kjører i svært forskjellige, tøffe omgivelser.
5 eksempler på edge computing i produksjon
Med det i tankene, her er fem eksempler på produksjonsorganisasjoner som kan bruke edge computing.
1. Kvalitetskontroll automatisering
Igjen, automatisering er vanligvis en stor sak i produksjon, selv om hvordan det manifesterer seg kan variere betydelig.
“Produksjonsanlegg kan ha minimal automatisering hele veien til en helautomatisert produksjonslinje,” sier Andrew Nelson, hovedarkitekt hos Insight.
Edge/IoT-implementeringer kan bli stadig mer nyttige ettersom et miljø beveger seg mot den “helautomatiske” enden av spekteret.
Edge/IoT-implementeringer kan bli stadig mer nyttige ettersom et miljø beveger seg mot den “helautomatiserte” enden av spekteret.
Kvalitetskontrollautomatisering på en produksjonslinje er et godt eksempel, ifølge Nelson, og er vanlig i settinger som en hermetikklinje i drikkevareindustrien eller pakkeprosessen i mat- eller landbruksindustrien.
En blanding av datasyn, sensorer og annen instrumentering kan oppdage uregelmessigheter eller andre problemer; Å kunne handle raskt på disse dataene krever at de holdes så nærme prosessen som mulig.
2. Lagerautomatisering
En lignende, men separat brukscase for automatisering er på lageret, hvor funksjoner som lagerstyring er rik på data og muligheter for økt effektivitet.
“Noen produsenter driver lager ved siden av produksjonslinjene,” sier Nelson. “Datasyn kan brukes til å administrere lagernivåer og hjelpe til med produktplukking. RFID/BLE tidligere kan også utnyttes for vareplasseringer og kvantitetsnivåer. Smarte hyller kan instrumenteres med sensorer som et annet datapunkt.”
Å sende alle disse dataene tilbake til en sky eller et sentralisert datasenter er sannsynligvis ikke det mest effektive alternativet fra et kostnads- eller ytelsessynspunkt. Edge-distribusjoner skaper fleksibiliteten til å ta mer optimale beslutninger om hva som skal kjøres lokalt på lageret, enten det er av ventetid, kostnader, sikkerhet eller andre grunner.
3. Produksjonslinjediagnostikk
Vi hører mye om “prediktiv analyse” i disse dager, men det er et bredt begrep – dens faktiske verdi avhenger av forretnings- eller bransjespesifikke applikasjoner, og produksjon har en stor en: bruk av maskindata for mer presist å overvåke og forutsi når det store antallet av bevegelige deler og deler i en produksjonssetting vil gå i stykker eller på annen måte kreve vedlikehold.
“De [production] linjen i seg selv kan instrumenteres til å forutsi problemer med lagre, belter, motorer osv., sier Nelsons. «I mange tilfeller kan en linje som går ned for vedlikehold koste en bedrift mye. Hvis du kan forutsi eller utrede problemene raskt, kan du minimere nedetiden” og potensielt spare betydelige løpende kostnader.”
I den sammenhengen blir ventetiden dyr. Behandling av disse dataene lokalt kan gi en konkret økonomisk avkastning. Og at ROI kan forstørres ved å kombinere denne typen prediktiv analyse med kvalitetskontrollen/kvalitetssikringsautomatiseringen Nelson beskrevet ovenfor.
“Dette kan slås sammen med Q/A-prosessene i ett landskap med flere fordeler og større ROI,” sier Nelson.
4. Produktlogistikk og sporing
Denne kategorien utvider kanten av kanten, og muliggjør lagersporing og annen bruk selv når produktene flytter ut av produksjonsmiljøet til andre faser av forsyningskjeden.
“RFID og Bluetooth lavutslipp [technologies] kan brukes til å spore produkter når de beveger seg gjennom linjen og ut av produksjonen inn i kasser og paller og til og med når de flyttes til transportcontainere, sier Nelson. “Lastbiler kan skannes på vei inn og ut av et lager for å adressere både input og output produktnivåer.”
Det er en påminnelse om at som edge-servere og applikasjoner, kan grensene for “kanten” utvides kontinuerlig.
5. Den “gyldne” brukssaken: AI/ML-applikasjoner
Hvis redusere latens er den vanligste driveren for edge computing-strategier, så ser det ut til at AI/ML-arbeidsbelastninger sannsynligvis vil bli den gylne brukssaken, i det minste innen produksjon.
“De kraftigste produksjonsfordelene er avhengige av kraften til AI som driver dem, men å få smarte maskiner til å fungere sømløst på kanten krever mye data,” sier Sathianathan, Iterate.ai ADMINISTRERENDE DIREKTØR.
Problemet er ikke mangel på tilgjengelige data – alle de ovennevnte brukstilfellene gjenspeiler realiteten at produksjons-CIOer er oversvømmet av informasjon. Faktisk sier Sathianathan at produksjon har en fordel fremfor noen andre bransjer når det kommer til AI/ML fordi så mye av en organisasjons data er maskingenerert.
[ Related read: Edge infrastructure: 7 key facts CIOs should know about security. ]
“I motsetning til data i andre sektorer som inkluderer mye mer skjevhet og støy, er produksjonssystemdata ‘gyldne data’ som er spesielt relevante og verdifulle,” sier han.
Utfordringene oppstår når du prøver å sende alle disse dataene tilbake fra produksjonsstedet til skyen eller datasenteret. Som Sathianathan fortalte oss nylig, kan det være noe som “for mye data” til å sendes fra en fabrikk eller et lagergulv gjennom det lokale nettverket og til skyen og tilbake igjen.
“Det er ikke bra, for som produksjons-CIOer vet, må beslutninger tas umiddelbart for å være effektive,” sier Sathianathan. «Og selv om noe nedetid vanligvis er akseptabelt i standard IT-miljøer, er det rett og slett ikke tilfelle i produksjon. Kostnadene ved å stoppe produksjonslinjer fordi kantapplikasjoner vakler, kan være hundretusenvis av dollar per minutt – det er bare ikke rom for feil.»
Etter hvert som edge computing og AI/ML-teknologier modnes, både når det gjelder infrastruktur og når det gjelder utvikling av lettere applikasjoner (via lav kode og andre verktøy), blir de en match made in IT-himmelen.
“Fremskritt innen AI og edge-servere med GPU-sentriske arkitekturer blir nå tilgjengelige, og for produksjons-CIOer er det en mye bedre løsning å begynne å plassere AI-applikasjoner på kanten,” sier Sathianathan.
[ Learn how leaders are embracing enterprise-wide IT automation: Taking the lead on IT Automation. ]