,allowExpansion)
Ti aiutiamo a gestire i tuoi dispositivi IoT abilitandoli all'Intelligenza Artificiale.
Negli ultimi anni l’intero ecosistema industriale è stato protagonista di una serie di innovazioni tecnologiche comunemente racchiuse all’interno del fenomeno “Industria 4.0”. Sempre più frequentemente, gli impianti produttivi vengono integrati con sensori all’avanguardia in grado di raccogliere dati di interesse sul funzionamento dei macchinari industriali.
Attraverso la valorizzazione dei dati è possibile rilevare sprechi, cali di produttività e malfunzionamenti presenti o futuri, oppure per addestrare modelli evoluti di intelligenza artificiale in grado di automatizzare parte del processo produttivo.
Una volta connesso alla piattaforma MyDI, il dispositivo può inviare i propri dati telemetrici utilizzando diversi protocolli. I dati inviati dai dispositivi vengono memorizzati in formato raw in un apposito data-layer. Sui flussi di dati in ingresso alla piattaforma, è possibile istanziare dei monitor tramite i quali si possono implementare logiche custom per l'enrichment del dato e la rilevazione di eventi anomali in real-time attraverso l’implementazione modelli di Machine Learning. Tutti i dati ricevuti e gli eventi generati dall’analisi in streaming potranno essere visualizzati attraverso dashboarding dedicato out-of-the-box.
Sfruttando la connessione col dispositivo, MyDi può inviare dei comandi di attuazione verso il dispositivo. Ad esempio al fine di disaminare un possibile malfunzionamento è possibile chiedere al dispositivo di inviare i propri dati di log. E' possibile, inoltre, inviare al dispositivo una nuova immagine del firmware e procedere con l'installazione della nuova versione.
La piattaforma MyDi offre una serie di microservizi per l’accesso ai dati memorizzati. Grazie a questo API layer, è possibile integrare la piattaforma con tool di terze parti dedicati all’analisi e alla business intelligence.
La mole dei dati raccolti, nonché la loro evoluzione nel tempo, portano con sé una notevole quantità di informazioni poco visibili e difficilmente individuabili da un osservatore umano. Questi pattern nascosti di valore possono essere rilevati mediante algoritmi di Machine Learning per rilevare le prestazioni subottimali di un macchinario, malfunzionamenti presenti e alterazione delle performance nel ciclo produttivo (Predictive maintenance)
A fronte dell’addestramento di un modello di Machine Learning, questi può essere deployato in modalità Cloud/On-prem. I modelli di Machine Learning vengono resi disponibili in forma modulare all’interno di container.
Una strategia cloud è da adottarsi preferibilmente in tutte quelle situazioni in cui l'esecuzione del modello richiede di considerevoli risorse.
Attraverso la definizione di una filiera di ambienti (da test, a produzione) ed un'interfaccia semplificata, MyDI favorisce le operations di release, versionamento e simulazione dei modelli ML.
Come si comporta il modello di Machine Learning nel tempo? Quali sono i fattori che determinano l’ottenimento di un dato risultato? La Piattaforma MyDI offre strumenti a supporto del monitoraggio dei modelli di machine learning al fine di individuare degradazioni delle performance e procedere per tempo a un riaddestramento.
Mediante funzionalità di Explainability, si è in grado di analizzare il dettaglio delle predizioni effettuate da un modello, individuando così quei fattori (features) che hanno maggiormente inciso sull’output predetto e fornendo intuizioni addizionali agli esperti di dominio (SME).
Al fine di evitare latenze di rete è conveniente eseguire il modello di machine learning direttamente sul dispositivo, se ha sufficienti risorse computazionali. In questo modo si può evitare che elevate moli di dati vengano inviate attraverso il network e gestite centralmente. In modalità Edge, i modelli Machine Learning possono essere deployati direttamente sul dispositivo, permettendo così una gestione più efficiente che elabora i dati direttamente alla sorgente.