Internet Industriel des Objets IIOT : Que faudra-t-il pour surmonter les obstacles les plus élevés de l'industrie 4.0?

Avec la prolifération croissante des données, de la connectivité et de la puissance de traitement à la périphérie, l'Internet des objets industriel (IIoT) devient plus accessible. Cependant, l'adoption réussie reste hors de portée pour beaucoup: deux entreprises sur trois qui pilotent des solutions de fabrication numérique ne parviennent pas à se lancer à grande échelle. Pourquoi, malgré l'enthousiasme pour cette transformation vers un avenir de fabrication numérique, peu d'entreprises ont réalisé son potentiel à grande échelle? Nous savons déjà que l'IA et l'IoT à la pointe sont essentiels à l'accélération de la transformation de l'usine, mais que faut-il pour catalyser l'adoption plus rapide de ces technologies et éviter les pièges du purgatoire pilote? Au cours des deux dernières années, nous avons entrepris une étude auprès de plus de 400 participants de l'industrie et des entreprises de l'écosystème – engageant les chefs de file de la fabrication et les travailleurs, ainsi que les technologues qui développent les solutions et les services qui les soutiennent – pour répondre à cette question et découvrir les ingrédients essentiels de l'industrie 4.0. En 2018, nous avons publié la première phase de l'étude, identifiant les problèmes clés auxquels les chefs de file de la fabrication et les travailleurs d'usine sont confrontés alors qu'ils évoluent ensemble sur la voie de l'avenir intelligent de l'usine. Nous venons de publier la prochaine phase de ce travail, Accelerate Industrial, qui examine comment les travailleurs adopteront et réagiront à l'IA dans les rôles de fabrication – et quelles stratégies et tactiques «accéléreront les accélérateurs». À ce jour, cette étude en plusieurs phases représente la vision la plus complète de la transformation numérique en cours dans le secteur manufacturier. Tous les participants de la phase deux devaient avoir un rôle de première main dans une usine intelligente ou une entreprise qui développe des technologies, des solutions ou des services intelligents, englobant l'éventail complet des points de vue à travers le développement, le déploiement et la maintenance des technologies au sein de ces quatre des murs. Notre recherche a révélé que, bien qu'il existe un grand appétit pour la transformation numérique – 83% des entreprises déclarent qu'elles prévoient d'investir dans les technologies des usines intelligentes au cours des deux à trois prochaines années – les personnes les plus susceptibles de conduire ce changement sont souvent incertaines. sur la façon d'aller de l'avant ou hésitant à le risquer. Alors, qu'est-ce qui explique cet échec de lancement ou d'échec? Et comment les dirigeants devraient-ils changer la mentalité culturelle au sein de leurs organisations pour récolter les fruits de l'IOT industriel? Voici les cinq principaux défis, cités par les répondants, susceptibles de faire dérailler les investissements dans des solutions intelligentes à l'avenir – et des conseils pour éviter les dangers du purgatoire pilote: Défi n ° 1: écart de compétences techniques 36% citent un «déficit de compétences techniques» qui les empêche de bénéficier de leur investissement. Pour réussir la mise en œuvre de nouvelles technologies et maintenir les opérations, une entreprise doit avoir une main-d'œuvre qui possède la «dextérité numérique» – les gens doivent comprendre à la fois les processus de fabrication et les outils numériques qui soutiennent ces processus. Solution: Créer des programmes qui soutiennent l'apprentissage tout au long de la vie parmi la main-d'œuvre existante, qui combinent de nouveaux concepts avec des opportunités pratiques pour les utiliser dans le contexte des opérations de fabrication; construire des modules qui sont liés afin que les employés développent et affinent leurs compétences au fil du temps au fur et à mesure qu'ils deviennent compétents Offrir une formation sur les outils et les compétences numériques (considérée comme importante aujourd'hui, mais critique pour l'avenir). Soyez holistique dans le contenu en incluant la cybersécurité, l'infrastructure, l'IA, les données, le stockage et les besoins de calcul. Présentez les concepts individuels et leurs interdépendances. Insistez sur l'évaluation des problèmes et la résolution des problèmes avant la mise en œuvre de la solution. préoccupations croissantes concernant la confidentialité, la propriété et la gestion des données et de la propriété intellectuelle. Pour réussir à implémenter un algorithme d'IA, par exemple, il faut des données pour le former et le tester. Cela signifie que les données doivent être partagées, mais de nombreuses entreprises hésitent à partager leurs données avec des développeurs de solutions tiers. Il existe également une forte conviction que nos politiques actuelles de gouvernance des données à usage interne au sein de l'organisation sont inadéquates pour prendre en charge le partage de données inter-organisationnel Solution: Formaliser les politiques de partage de données pour le transfert de données intra-organisationnel et le transfert de données inter-organisationnelles Établir des politiques de gouvernance des données qui reflètent la valeur du partage des données avec l'exposition potentielle au risque. Comprenez qu'une politique unique ne suffira pas. Intégrer des politiques personnalisées dans les futurs contrats fournisseurs / fournisseurs Examiner les besoins de partage de données avant de mettre en place un projet intelligent et construire à temps pour négocier ces besoins dans les opérations du projet Défi n ° 3: interopérabilité23% disent un manque d'interopérabilité entre les protocoles, les composants, les produits et les systèmes. Il s'agit d'une lutte en cours qui n'est pas nouvelle. Aujourd'hui, cependant, les entreprises sont de plus en plus frustrées par cette interopérabilité car elle limite leur capacité à innover. Cela limite également leur capacité à mettre à niveau les composants du système, car ils ne peuvent pas facilement «échanger» un fournisseur pour un autre ou une partie du système pour un autre. Solution: poursuivre et soutenir activement le développement de normes pour accroître l'interopérabilité; dans la mesure du possible, participez à des consortiums tels que l'Open Process Automation Forum.Demandez à leurs fournisseurs de travailler en étroite collaboration pour développer et mettre en œuvre des solutions qui mettent l'accent sur la modularité et qui offrent des voies de mise à niveau au fil du temps en utilisant plusieurs solutions de fournisseurs. Défi n ° 4: Sécurité22% citent des menaces de sécurité, à la fois en termes de vulnérabilités actuelles et émergentes dans l'usine.La combinaison de systèmes physiques et numériques dans une usine intelligente rend possible l'interopérabilité en temps réel, mais elle comporte le risque d'une surface d'attaque élargie. Avec de nombreuses machines et appareils connectés à un ou plusieurs réseaux dans l'usine intelligente, les vulnérabilités de l'un de ces équipements pourraient ouvrir le système aux attaques. Les entreprises devront anticiper à la fois les vulnérabilités du système d'entreprise et les vulnérabilités opérationnelles au niveau de la machine. Les entreprises sont mal préparées pour faire face à ces menaces de sécurité, et beaucoup comptent sur leurs fournisseurs de technologies et de solutions pour ce faire. SolutionCombinez des professionnels de l'OT et des TI dans des équipes de projet intelligentes pour évaluer les vulnérabilités possibles. Identifier les menaces de personnes, de processus, de machines et de réseau Comprendre les mises à niveau que les fournisseurs introduisent dans l'équipement et / ou les opérations et anticiper les changements possibles des vulnérabilités Développer des analyses de «cas de coin» où aucune alternative ou fonctionnalité ne peut être une vulnérabilité critique mais où les interdépendances entre les alternatives et / ou les fonctionnalités introduisent ou augmentent les vulnérabilités. Planifiez pour ces cas non évidents Défi n ° 5: Gestion de la croissance des données 18% citent la gestion de la croissance des données en quantité et en vitesse ainsi que la création de sens.A mesure que l'utilisation de l'IA augmente, les entreprises seront confrontées à plus de données, générées à un rythme plus rapide, et dans plusieurs formats. Les algorithmes d'IA doivent être plus faciles à comprendre – c'est-à-dire, comment l'algorithme parvient-il à une recommandation? – et ces algorithmes doivent être capables de combiner des données qui sont souvent de types et de délais différents. Solution: comprendre les données qui fournissent des informations sur la valeur commerciale et équilibrer le calcul au niveau des actifs; bande passante; et la nécessité d'une rétroaction de contrôle en temps réel (faible latence). Anticiper les taux d'échantillonnage qui reflètent les changements de l'état de la machine ou du fonctionnement. Développer une architecture système robuste avant la mise en œuvre qui équilibre les besoins de calcul et l'emplacement de ces besoins (périphérie par rapport au cloud, par exemple), les besoins de stockage d'aujourd'hui et de demain et l'infrastructure de communication Irène Petrick est directeur principal du groupe Internet des objets de l'innovation industrielle d'Intel. Faith McCreary est ingénieur principal en expérience utilisateur chez Intel.

Laisser un commentaire