Ozon разработал собственный инструмент для генерации и редактирования фона на изображении товаров, который работает с помощью алгоритмов машинного обучения.
По прогнозам экспертов, число предприятий, использующих отечественные решения, возрастет до 80% к концу 2024 г.
Оборот рынка Интернета вещей (IoT) к 2020 году оценивается в 3 трлн долл., и на промышленные внедрения к тому времени будет приходиться около половины всего дохода, согласно прогнозу IoT Advisory Group. А по оценке Accenture, к 2030 году оборот мирового рынка промышленного IoT может составить 14,2 трлн долл.
Эти цифры указывают на значительные возможности в этом сегменте для VAR’ов в ближайшие годы, но шанс на успех дает понимание текущих трендов в развитии этого рынка. О чем и пойдет речь ниже.
Джефф Браун (Jeff Brown), директор по операционной деятельности компании Aquitas, поставщика решений и одного из лауреатов премии CRN «IoT Innovators» 2018 года, уверен, что времена проприетарных платформ промышленного IoT кончились, и заказчики выбирают решения, не привязывающие их к одному вендору.
«Одна из проблем нескольких последних десятилетий та, что каждое аппаратное решение требует собственной проприетарной платформы ПО, — сказал он. — Когда IIoT начал раскручиваться несколько лет назад, многие компании шли всё тем же дедовским путем. Работая с нашими заказчиками, мы видим, что не привязанное к вендору IIoT-решение — важный критерий в их окончательном выборе».
Altizon предлагает как раз такую платформу, Daltonis, которая работает с разными операционными системами и типовыми протоколами связи.
Новые технологии позволяют заказчикам подключить свои системы управления производственным оборудованием к общей сети, открывая новые возможности объединения эксплуатационных данных со всеми остальными.
К примеру, новое приложение Lumada Maintenance Insights, которое предлагает Hitachi Vantara, позволяет объединить самые разные источники данных — с датчиков, о плановых простоях и графиках ТО — и анализировать их, чтобы строить техническое обслуживание в реальном времени.
«Соединение эксплуатационных данных с различными службами в организации становится частью стратегического направления развития, — говорит Браун из Aquitas. — Группы эксплуатационного обслуживания подотчетны теперь ИТ-директору, и все эти данные рассматриваются теперь как корпоративные».
Вендоры платформ ПО и оборудования объединенными усилиями стремятся создать готовые IIoT-решения, которые легки в установке и обслуживании.
Недавно Dell EMC объявила о партнерстве со стартапом периферийной обработки FogHorn, чтобы предоставить партнерам в канале уже сконфигурированные шлюзы и другие устройства, использующие платформу интеллектуальной граничной обработки Lightning, созданную этим стартапом, которая включает функции машинного обучения и автоматизации.
Другие OEM-производители также движутся в этом направлении — это Hewlett Packard Enterprise, Cisco и AdLink.
Технологии дополненной реальности (AR) всё больше сближаются с промышленным IoT, и вендоры начинают строить действительно заманчивые решения для заказчиков.
Джим Хеппельманн (Jim Heppelmann), главный управляющий одного из таких вендоров, PTC, заявил на недавней встрече с аналитиками, что в 2018 финансовом году портфель заказов с AR превысил 20 млн долл. Чаще всего речь идет об использовании AR для визуализации «инструкций по выполнению сервисного и технического обслуживания, инструкций операторов оборудования и для виртуальных демонстраций продуктов».
«От обучения и до эксплуатационных аспектов — AR позволяет использовать информацию, ранее доступную только через компьютер, для устранения неисправностей [непосредственно на местах]», — говорит Браун из Aquitas.
Средства машинного обучения и углубленной аналитики становятся как никогда важными, и в этом направлении работают не только крупные компании, но и стартапы.
Машинное обучение помогает компаниям автоматизировать анализирование больших массивов данных с выдачей конкретных рекомендаций — например, чтобы сократить простои оборудования на заводе. Главные вендоры промышленного IoT с функциями машинного обучения и углубленной аналитики — это GE Digital, PTC, Siemens и Seeq из Сиэтла.
«Каждая [производственная] компания хочет использовать машинное обучение и углубленную аналитику, но они начинают понимать, что прежде этого им нужны надежные данные, — говорит Браун из Aquitas. — Поэтому сначала нужно выбрать платформу для сбора необходимых данных, это крайне важно для успешной аналитики».
