De dag van vandaag staat machine learning synoniem voor kunstmatige intelligentie. De meeste internet- en softwaretoepassingen maken ook al uitgebreid gebruik van KI en machine learning. En ook in de maakindustrie heeft machine learning z’n weg gevonden, en dit in de vorm van IoT (Internet of Things). 

IoT bestaat tegenwoordig uit een gigantisch netwerk aan apparaten die met het internet verbonden zijn, en gretig gebruik maken van het internet en bijbehorende protocollen om te communiceren met andere apparaten binnen eenzelfde netwerken. Apparaten binnen IoT verzamelen meestal ook data. Die wordt opgeslagen in de cloud en kan later opnieuw opgevraagd worden voor verdere analyse.

 

Wat kan machine learning betekenen voor de maakindustrie? 

De meeste sectoren proberen het ontwerpproces of productieproces te automatiseren. Het is daarbij belangrijke dat automatisatie op zo’n grote schaal goed beveiligd is en voorzien is van systemen die de mogelijke risico’s analyseren en opvolgen. Om data te verzamelen rond mogelijke beveiligingsproblemen, maken sectoren in de maakindustrie gebruik van IoT. Data wordt stap per stap verzameld, opgeslagen en geanalyseerd. Machine learning kan uit deze data vervolgens herhalende patronen identificeren en apparaten aanleren dat ze de volgende keer waakzaam moeten zijn voor deze patronen. Daarnaast kan machine learning ook helpen bij het automatiseren van data-analyses en rechtstreekse updates geven over de laatste beveiligingsrisico’s. Zo’n IIoT-toepassingen kunnen dan ook terabytes aan data produceren in slechts enkele uren. Stel je dus maar eens voor hoeveel data dat oplevert over een langere periode. Het manueel analyseren van zo’n grote hoeveelheid aan data is bijgevolg onmogelijk, of zal leiden tot vele menselijke fouten. Automatiseren kan die menselijke fouten vermijden, terwijl het niet gebruiken van machine learning tot gigantische fouten kan leiden, zelfs in volledig geautomatiseerde industriële systemen, aangezien de gegenereerde volumes aan data zo gigantisch zijn.

 

Data in de pijpleiding steken 

Zoals reeds eerder aangehaald zijn bovenstaande IoT-systemen voornamelijk verantwoordelijk voor de beveiliging van en het detecteren van risico’s in systemen in geautomatiseerde sectoren. Maar dat is niet alles. Wanneer een IoT-systeem namelijk een dreiging ontdekt, moet het ook onmiddellijk kunnen handelen. Met de hoeveelheid data die elk uur verzameld wordt, is het bijna onmogelijk om al deze data vervolgens te gaan verwerken. Daarom maken deze systemen gebruik van een pipeliningtechniek, genaamd Hot Path Analysis. Hierdoor verloopt het verwerken van de data vlotjes, dankzij het parallel analyseren van meerdere datastrings. Zo verloopt het proces van dreigingen detecteren en verhelpen veel sneller. En dat is goed, want van de bestaande IoT-systemen wordt verwacht dat ze bijna in realtime acties ondernemen en beslissingen nemen op basis van de verzamelde data. Dit proces gaat veel vlotter met machine learning. IoT-systemen zijn hierdoor intelligent genoeg om trends in beveiliging en risico’s te voorspellen en de operator hier op voorhand van te verwittigen, zodat deze hierop kan inspelen.

 

Welke sectoren hebben baat bij machine learning? 

Vele verschillende sectoren kunnen profiteren van machine learning in industriële IoT. Denk maar aan de gezondheidssector, de financiële markt, kerncentrales, maar ook maakbedrijven zoals een autoproducent. Eender welk bedrijf met nood aan beveiliging van het automatisatieproces heeft baat bij machine learning. In dit soort industrieën kan je eigenlijk niks meer doen aan een dreiging of probleem, nadat het zich heeft voorgedaan. In sommige gevallen zal het beperken van een risico ook zeer moeilijk zijn. Denk maar aan de gezondheidssector, waarbij een polsband bijvoorbeeld constant medische data zoals hartslag van een patiënt doorgeeft aan het ziekenhuis. Wanneer het dataverwerkingssysteem van dit ziekenhuis er niet in slaagt om een dreiging tijdig op te sporen, dan kan het al snel te laat zijn. In enkele seconden kan de situatie escaleren van leven op dood. Wanneer de situatie op voorhand voorspeld kan worden, dan kan de patiënt zijn voorzorgen nemen. In dit geval kan IoT dus levens redden. Maar ook in de maakindustrie kan het voorspellen van risico’s op deze manier relevant en voordelig zijn. En dat is nog maar het topje van de ijsberg wat betreft het integreren van machine learning in IIoT.

 

Bron: techiexpert.com, foto: iamWIre. 

Pin It on Pinterest

Shares
Share This
%d bloggers liken dit: