Integracja IT/OT w obszarze danych

Wykorzystywanie danych w sektorze przemysłowym

Przedsiębiorstwa przemysłowe od dawna dążą do uzyskania jak największej wiedzy o procesach produkcyjnych, w tym podstawowych informacji nt. produkcji, zużycia czy przychodów. Przy czym mają do dyspozycji coraz więcej możliwości w zakresie danych, których wykorzystywanie staje się coraz większe także ze względu na ekonomiczne uzasadnienie. Pojawiły się także nowe narzędzia do zarzadzania i optymalizacji procesów.
Spada cena sensorów, moc obliczeniowa jest bardziej dostępna, a koszt przesyłania i gromadzenia dużych ilości danych znacznie zmalał.

Big Data w OT i IT

Jak zatem odnieść Big Data w OT do świata IT, którzy jest utożsamiany z pozyskiwaniem, gromadzeniem i przetwarzaniem dużych zbiorów danych?
Decydują o tym różnice w trzech kluczowych obszarach ujętych w modelu 3V:

Velocity - inna jest szybkość generowania i gromadzenia danych w czasie rzeczywistym, co wynika z liczby sensorów i źródeł, częstotliwości testów, liczby strumieni i próbek w jednostce czasu.
Volume - inna wielkość zbioru danych potrzebnych do właściwego ich wykorzystania; IoT jest w stanie zapełnić dowolnej wielkości repozytorium danych w bardzo krótkim czasie.
Variety - dane IoT są w naturalny sposób nieustrukturyzowane oraz bardzo zróżnicowane.

W świecie IT zwykle mamy do czynienia z określonymi w czasie transakcjami, uruchamianymi w wyniku zaistnienia odpowiednich warunków lub zdarzeń. Informacje są ustrukturyzowane, pozyskiwane z baz danych, a następnie przechowywane w hurtowaniach. Rekordy są przesyłane za pomocą standardowych interfejsów.
W świecie OT mamy do czynienia z seriami danych pozyskiwanych z mierników, niezależnie od czasu. Zdarzeniem jest już sam fakt podłączenia źródła informacji. Dane cechuje niepewność, ponieważ miernik może być uszkodzony lub w różny sposób zakłócony. W efekcie, dostarczane przez niego rekordy zostać skonfrontowane z informacjami pochodzącymi z innych mierników. Także z tego powodu ich wolumen jest zazwyczaj znacznie większy niż w środowisku IT. Brakuje relacyjnej struktury danych przechowywanych w centralnych repozytoriach (data lakes) oraz wykorzystuje się dużą liczbę protokołów, często już wiekowych i specyficznych dla konkretnego producenta.

Wpływ charakterystyki danych OT na ich monetyzację

W tej kwestii istotny jest kontekst dotyczący źródła pozyskiwania. Na najniższym poziomie, dotyczącym fizycznych parametrów i zasobów pozyskuje się dane do kontrolowania procesu produkcyjnego.
W tym celu, w kontekście pojedynczej maszyny, mierzy się temperaturę, liczbę obrotów, kontroluje jej stan itp. Przy czym, aby zebrane dane zmonetyzować należy pozyskane w ten sposób zbiory uzupełnić o dodatkowe informacje.

Kolejną warstwą jest sam proces i obserwacja przebiegu produkcji oraz wzajemnym wpływie maszyn. W kolejnym, firmowym poziomie przebiega kontrola jakości, badany jest wpływ produkcji na sprzedaż, a także logistyki na dostępność materiałów itp. Na tym najwyższym poziomie zgromadzone dane można użyć do wyznaczania trendów w dziedzinie stosowanych modeli uczenia maszynowego.

Nie zawsze istnieje potrzeba przetwarzania wszystkich wygenerowanych danych, np.  można zarządzić, by w przetwarzaniu brzegowym wysyłane były tylko wybrane informacje.  Jednocześnie, rozwiąże to problemy z przepustowością sieci czy opóźnieniami.

Zarabianie na danych OT/IoT 

Droga do monetyzacji nie jest pozbawiona wyzwań. Cześć z nich wynika z obowiązujących regulacji prawnych. Podmiot przetwarzający dane odpowiada za informacje dostarczane przez użytkowników. Zakres tej odpowiedzialności zależy od charakteru danych.

- Jeśli przykładowo infrastruktura IoT zbiera informacje pochodzące z czujników medycznych instalowanych na ciele człowieka to są to dane osobowe, które wymagają uzyskania osobnych zgód i szczególnych sposobów ochrony – tłumaczy Marcin Marciniak, Manager zajmujący się w EY cyberbezpieczeństwem.

Wyzwaniem jest także sama skala zbieranej informacji. Olbrzymie ilości danych są pozyskiwane niezwykle szybko, więc wymagając równie dynamicznego ich przetworzenia. ponieważ szybko przestają być aktualne. Dane są też kontekstowe, co oznacza, że ta sama informacja w różnych przypadkach może mieć zupełnie inne znaczenie. Co więcej, powyższy kontekst może się zmieniać, co dodatkowo wymaga szybkiego przetwarzania. Dodatkowo, wobec ogromnej skali duża cześć danych stanowi szum, z którego trzeba wyłowić przydatne informacje. 

- Problemem od strony organizacyjnej jest brak gotowych schematów i dobrych praktyk. Z tym wyzwaniem muszą się zmierzyć wszyscy architekci systemów IT/OT. Chociaż dostępne są narzędzia to brakuje standardu opisującego wszystko do początku do końca - od uzyskania zgód po wykorzystanie gotowych informacji – zauważa Marcin Marciniak.

Kolejnym utrudnieniem jest brak jasno określonego zwrotu z inwestycji. Nie posiadając wiedzy o danych przeznaczonych do zarabiania, trudno określić wartość i czas zwrotu.. Wiedza na ten temat pojawi się dopiero wtedy, gdy dane będą zebrane, konteksty zostaną ustalone oraz rozpocznie się ich wykorzystywanie. Scenariusze zarabiania mogą być różne, ale każdy z nich jest trudny do znalezienia, zanim nie powstanie PoC zbudowany na  prawdziwych danych. Tak wiele niewiadomych prowadzi do konkluzji związanej z wykorzystaniem chmury.