Analytici StartU s Insights podrobili svému průzkumu na 910 startupů po skytujících nástroje na shromažďování a analýzu velkých dat a vytipovali pět řešení s největším pot enciálem pro využití v průmyslu. Inovační analytici rakouské společnosti StartUs Insights specializující se na včasnou identifikaci vznikajících start-upů, technologií a jejich obchodních modelů nedávno zkoumali nové technologie a nadcházející start-upy pracující na řešeních pro Průmysl 4.0. A protože existuje opravdu velké množství start-upů pracujících na tak široké škále řešení, že výběr ideálního nástroje pro konkrétní potřeby je pro většinu běžných firem prakticky nemožný, vytipovaly pět slibných řešení z oblasti analýzy velkých dat zastupujících nedůležitější trendy v této oblasti. Pojďme se na ně nyní podívat trochu podrobněji. Sota Solutions — prediktivní analýza Prediktivní analytika je podkategorií pokročilé analytiky a velkých dat, která umožňuje predikci budoucích událostí na základě souborů dat získaných v předchozích obdobích. Dokáže například předpovědět, kdo z klientů firmy odejde nebo nakoupí určitý produkt. Kupříkladu banky tyto nástroje už zcela běžně používají k předpovědi toho, kteří zákazníci přestanou splácet nebo kolik peněz jim mohou bezpečně půjčit. Pro Průmysl 4.0 se nejčastěji používá jako prediktor možných poruch strojů. Ten výrobcům poskytuje šanci provádět údržbářské práce v pravý čas tak, aby se minimalizovaly prostoje, poruchy a poškození strojů. Německý start-up Sota Solutions používá velká data k predikci při optimalizaci využití různých typů průmyslových strojů, ke zvýšení jejich využití a zpřesnění prognóz. Kupříkladu jeden z jejich klientů, společnost Klingenberg Berlin, specializující se na ofsetové tisky, ušetří za pomoci řešení Sofa Solutions ročně více než 100 000 listů papíru (dříve využívaných pro kalibrační nátisky) díky schopnosti analyzovat předešlá tisková data a tyto algoritmy aplikovat v kombinaci s umělou inteligencí (AI) pro jemné doladění stroje v oblasti nastavení barev. Pro Q-Essence zaměřující se na lidské dovednosti a získávání znalostí z dostupných informací Sota vyvinula software na automatické třídění textového obsahu. To Schmack Biogas, jeden z předních německých poskytovatelů zařízení na výrobu energie v oblasti kogenerace, potřeboval software využívající neuronové sítě k předpovídání potřeb energie na základě historických dat. Kvalita predikce systému Sota je v tomto ohledu až o 5 % lepší než běžné srovnatelné postupy využívající například lineární regrese. A konečně společnost BioSpring vyrábějící syntetické oligonukleotidy ve všech rozměrech a pro každou aplikaci využívá software Soty pro výpočet optimálních směšovacích proporcí. Požadavkem bylo zvýšení produkce za použití stejného množství zdrojů, aniž by byla brána v úvahu kritéria čistoty konečného produktu. Software nyní dosahuje zvýšení produkce v průměru o 13 % ve srovnání s manuálním provedením. Prognostic.io — preskriptivní analýza Preskriptivní analytika využívá získaných dat k vytváření predikcí možných výsledků určitých rozhodnutí, aby bylo možné hledat nejlepší řešení. Typickým příkladem využití jsou autonomní systémy vozidel. Kupříkladu bezpečnostní systémy automobilů Volvo přizpůsobují brzdění aktuálním podmínkám tak, aby předešly srážce, ale ve chvíli, kdy již nelze nehodě zabránit, snaží se vybrat takový automatický manévr, který by co nejméně ohrozil posádku a osoby v okolí vozu. Na základě takové analytiky proto vyhodnocuje prostředí, předměty, osoby i zvířata v okolí vozu, predikuje následky srážky s ohledem na velikost, předpokládanou hmotnost a charakter překážek, rychlost pohybu a další parametry. Následně se pak snaží vybrat nejlepší řešení. To vše pochopitelně v reálném čase. Britský start-up Prognostic.io vyvíjí řešení, která umožňují nepřetržité sledování dat ze senzorů a zařízení internetu věcí (IoT). Tato zařízení měří a řídí vibrace, teplotu, hluk a další fyzikální vlastnosti sloužící detekci poruchových stavů, poskytují uživatelům přehled v reálném čase, optimalizují dodavatelské řetězce či třeba monitorují spotřebu paliva a energie. Jejich platforma umožňuje podnikové zabezpečení, škálovatelnost a integraci s existující infrastrukturou IoT. Jeho řešení je navrženo tak, aby poskytovalo zpracování dat na místě s nízkou latencí pomocí analytických datových proudů podpořených technologií strojového učení v hraničních výpočtech. Terracotta — analýza v paměti Analytika v paměti (in-memory analytics), známá také jako streamingová analytika, je čím dál populárnější díky schopnosti zpracovávat data ze zařízení IoT v reálném čase. V zásadě využívá principy uvedené výše a zaměřuje se na technologie vedoucí ke zkrácení doby odezvy dotazu, pro zajištění rychlejšího rozhodování. V současné době jsou data dotazů uložena v paměti s náhodným přístupem (RAM), která je podstatně rychlejší než fyzické pevné disky, oproti kterým však nenabízí tak rozsáhlé kapacity. Americký start-up Terracotta se na vývoj řešení využívajících správu dat v paměti zaměřuje a hledá řešení umožňují společnostem zpracovávat velké objemy dat a zvyšovat výkon aplikací. Využívá k tomu hybridní translytická řešení kombinující rychlé mezipaměti s úložišti větších dat, jakož i analytické vyhledávání a výpočet na straně serveru. Jeho architektura využívá základní technologii BigMemory – vlastní řízení IMDG (in-memory data grid) –, která nabízí neobyčejně rychlý výkon a zároveň dostatečnou kapacitu pro kombinované provozní a analytické zpracování. Velmi zjednodušeně by se tak dalo říci, že využívá i jakousi vnitřní predikci potřeby konkrétních dat, které přednáší do rychlé paměti tak, aby byly využitelné bez zbytečných prodlev ve chvíli, kdy budou zapotřebí. Wavefront — cloudnative monitoring v reálném čase Velké objemy dat představují cennou surovinu nejen pro firmu, která je produkuje a analyzuje v rámci zlepšování svých procesů, ale také pro konkurenci či jiné subjekty, které by mohly mít zájem taková data zneužít ve svůj prospěch. A právě primárně pro potřeby ochrany velkých dat vznikla původně technologie cloud-native monitoringu v reálném čase. V oblasti bezpečnosti totiž platí a vždy bude platit, že útočníci jsou vždy minimálně o jeden krok před obránci. Neustále totiž hledají slabiny systémů a nové způsoby průniku do čím dál sofistikovanějších zabezpečení. Vývojáři bezpečnostních systémů pak většinou na základě chování útočníků hledají způsoby, jak jejich činnosti zamezit. Ve snaze snížit náskok útočníků ideálně na nulu proto vznikla metoda nepřetržitého monitorování a analýzy získávaných a zpracovávaných dat v reálném čase za účelem detekce anomálií a slabých míst. Analýzy zabezpečení velkých dat jsou schopny procházet bezpočtem datových toků, detekovat potenciální hrozby, vyhodnocovat je a hledat optimální způsob reakce. Obvykle tak tato metoda pomůže odhalit útočníka už ve chvíli, kdy si teprve takzvaně osahává systém a hledá jeho slabiny. Díky tomuto zjištění lze adekvátně zareagovat ještě dříve, než hacker pronikne k důležitým datům nebo způsobí nějaké škody. V průmyslu lze dnes ovšem principu nepřetržitého monitoringu v reálném čase využít nejen pro ochranu dat, ale také například při snižování zmetkovitosti či ladění optimálního provozu výroby. Americký start-up Wavefront se právě na takové cloudové nativní nepřetržité monitorování a analytická řešení v reálném čase využitelné v průmyslu zaměřuje. Jejich systém AI Genie automaticky vyhledává anomálie výkonu a úzká místa v kapacitě umožňující inteligentní řešení problémů. Jejich řešení také vytváří automatické dashboardy a vyhodnocuje informace, které jsou pro uživatele relevantní. AI Genie používá strojové učení pro automatickou detekci anomálií a predikci predikcí, což usnadňuje vizualizaci incidentů a budoucích potřeb napříč moderními aplikacemi a infrastrukturou. Prevedere — předpovědi poptávky zákazníků Výrobní i obchodní společnosti každý rok čelí novým výzvám, jako je například pomalý růst či kolísající poptávka. Globalizace situaci ještě komplikuje tím, že rizika dnes mohou pocházet z kterékoli části světa, a současná pandemie je toho velkým příkladem. Konkurence je tvrdá a změny politických a ekonomických podmínek mohou ohrozit zisky prakticky kterékoliv firmy. Řešení nabízí prognóza poptávky využívající velká data a analytiku k predikci poptávky zákazníků po určitém zboží nebo službách, na základě jejich výkonnosti na trhu. V rámci predikce se využívá mnoho faktorů a zdrojů dat, jako jsou znalecké posudky, průzkumy trhu, údaje o globálním trhu a další ekonomická data a analýzy chování. Americký start-up Prevedere nabízí své řešení zajišťující predikci poptávky na základě mnoha ekonomických ukazatelů a historických dat, současných tržních trendů, vstupů od obchodního týmu a ekonomických dat v reálném čase. K analýze využívá i veškeré burzovní informace NASDAQ [National Association of Securities Dealers Automated Quotations – největší ryze elektronický burzovní trh v USA s více než 3 900 kótovanými společnostmi z 39 zemí celého světa – pozn. red.] za posledních 20 let, spolu s četnými indexy spotřebitelských cen a cen ropy /Michael Málek/
