Senzory na moderních výrobních linkách i strojích chrlí každý den nemalé množství různých dat. A pokud firmy dokážou s takto jednoduše získanými informacemi správně pracovat, mohou uspořit nemalé finance jak na servisu zařízení, tak třeba také optimalizací výroby. „Bohužel, většina firem zatím tápe a obrovský potenciál, který se v big datech ukrývá, nedokáže efektivně využít,“ říká Lukáš Jílek, senior manažer v oddělení Strategie a provozních činností společnosti Deloitte Česká republika. Na to, co přesně jsou big data, neexistuje přesná definice. Jak je vnímáte vy? Osobně za ně pov a žuji t a ková d at a, kdy se sb í rá t i s í ce pa r ame trů každou sekundou a tyto informace se ukládají do datových skladů. Pokud bych to měl vyjádřit čísly, tak jsou to situace, kdy se během pár minut vygeneruje více než 1 GB dat. Důležitou součástí mojí definice je také to, že jde o potřebu komplexního řešení zahrnujícího vyhodnocování. Pokud firma sbírá a hodnotí jen jeden či dva parametry za nějaký delší časový úsek a je schopna je analyzovat v klasických nástrojích typu Excel, tak bych hovořil spíše jen o datech nebo o small datech. O jakých parametrech se u průmyslových provozů můžeme bavit? Dnes se dá sbírat skutečně prakticky cokoliv, a to i v reálném čase. Ze stroje lze získat například data o tlaku, teplotě zařízení, vibracích, otáčkách či o tom, co se na stroji momentálně vyrábí. Do toho je možné sbírat i informace z okolí stroje, senzory mohou měřit i teplotu a vlhkost okolí, které může mít vliv na přesnost stroje. A díky takovým informacím je pak možné třeba zautomatizovat řešení určitých problémů. Jde tak o jeden z důležitých nástrojů konceptu Průmyslu 4.0. Jsou si firmy vůbec vědomy potenciálu, který v sobě taková data ukrývají? Mysl ím, že obecně vzato si to uvědomují velmi dobře. Setkáváme se s kl ienty, kteří už vědí, že když budou data sbírat, získají určitou přidanou hodnotu, kterou v současné chvíli nemají. Problém je ale v tom, že většina firem vůbec neví, jak se získanými daty naložit. Jinak řečeno, získaná data jim nedokážou odpovědět na otázky, které si ohledně výroby kladou. Sbírají velké množství dat jen za účelem sběru bez dalšího plánu, a protože nemají jasně definováno, co je důležité, může jim právě nějaký klíčový parametr uniknout. Základem je tedy jasné definování otázky, na kterou chtějí znát odpověď, a na to konto poté určit, jaká data a jak často se budou sbírat, kde se budou skladovat a jak se budou vyhodnocovat. A k tomu si firma buď může najmout interně odborníka na big data, který má zkušenosti se zaváděním takových řešení, případně se lze obrátit na odborníky z akademických orgánů. Existují i různé asociace, které cílí na edukaci zodpovědných manažerů v daných firmách, k dispozici jsou i poradenské firmy a určitým způsobem se angažuje i státní aparát. Liší se nějak očekávání toho, co data mohou firmě přinést, a následná realita? Firmy očekávají, že jim informace pomohou k rychlejšímu rozhodování, automatizaci i k predikci potenciálního selhání stroje. Že budou vědět, kdy je třeba vyměnit určité součástky, protože budou lépe znát jejich opotřebení a podobně. Doufají, že jim sběr dat pomůže snížit náklady. Avšak realita je taková, že kompletně digitalizovaných firem, které skutečně plnohodnotnou práci s big daty zavedly a informace z nich vyplývající komplexně využívají, je v ČR malé množství. Jsou to prakticky desítky, maximálně stovky firem. Aktuálně jsou to u drtivé většiny podniků spíše ostrůvky digitalizace, které cílí na řešení konkrétních problémů jako například zlepšení kvality pomocí strojového vidění, automatické přeplánování výroby, zlepšení skladového hospodářství či automatizace interní logistiky. Proč je jich zatím tak málo? Už jsem to nakousl. Firmy skutečně nevědí, jak mají ke sběru, analýze, vyhodnocování a bezpečnosti dat v rámci komplexních řešení přistoupit. Proto se momentálně nacházíme spíše v době, kdy se firmy snaží, aby byly schopny v reálném čase data hlavně vizualizovat a věděly, co se třeba na konkrétní lince v danou chvíli děje. To je však pouze počáteční krok celé cesty k digitalizaci, jež může vyvrcholit až vytvořením kompletního digitálního dvojčete celé výroby. Druhá věc je, že nevědí, kolik je to všechno bude stát. Je to pro ně jedna velká neznámá, které se bojí. U několika firem jsme řešili téma prediktivní analytiky a setkali jsme se s tím, že umění práce s daty ve firmách obecně velmi chybí. Pro mnohé z nich je to zatím jedna velká neznámá. Je těžké se pustit do něčeho, co tu před pár lety ještě nebylo. Nemůže to být i tím, že spousta výrobních podniků jsou relativně malé firmy, které mají pocit, že práce s big daty je otázkou spíše pro velikány typu automobilka? Může to tak být. Ale pokud se budeme na situaci dívat jako na sběr a vyhodnocování dat a oprostíme se na chvíli od pojmu big data, tak se práce s daty určitě vyplatí každé výrobní firmě. A zůstane-li u toho základního režimu, kdy bude získaná data pouze vizualizovat a analyzovat konkrétní problémy, nebude to ani až tak drahé. U komplexních řešení, kde se sesbírají tisíce parametrů za sekundu a je třeba složitých nástrojů na analýzu, už je třeba hodně zauvažovat, protože náklady se i z důvodů požadavku robustní infrastruktury mohou vyšplhat do desítek milionů korun. Když jsme u infrastruktury, která cesta je smysluplnější – data na interních serverech, či data v cloudu? Nelze říci, jaká cesta je smysluplnější, nicméně čím dál více společností využívá možnosti cloudových řešení, kde se dají data nejen ukládat, ale i analyzovat, a z cloudu zároveň mohou fungovat i kritické aplikace společnosti. Vzdálená úložiště tak nejsou překážkou. Je ale nutno zdůraznit, že ne všechny firmy mohou zejména z bezpečnostních důvodů cloud plnohodnotně využívat. Jedná se například o banky a jiné finanční instituce, kterých se regulace týká. Největší překážkou je hlavně audit a kontrola nastavení systémů a zařízení, kde jsou data uložena. Regulatorika outsourcingu se týká samozřejmě i kr itické inf rastruktury státu. Big data potřebují ke svému „životu“ rychlý internet a rychlé vnitřní sítě. Nyní se hodně skloňuje nástup 5G sítí. Jaký má tato technologie potenciál? Do budoucna vidím velký přínos zavedení 5G sítí pro Průmysl 4.0, a to hlavně nejen z důvodu vysoké přenosové rychlosti, ale zejména z důvodu velmi malého zpoždění (latence) nepostradatelného pro zvýšení automatizace výrobních procesů. Zároveň by mohlo dojít k významným energetickém úsporám. Čidla připojená přes 5G by mohla být v provozu i mnohonásobně déle bez nutnosti výměny baterií než čidla připojená prostřednictvím 4G. Daleko více problémů se bude moci řešit vzdáleně v reálném čase. Široké možnosti se dají také očekávat například v oblasti rozšířené reality. Jakou roli hraje v oblasti sběru big dat strojové učení? Metody strojového učení jsou obecně nejúčinnější při práci s velkým množstvím dat, a proto jsou oblasti velkých dat a strojového učení v praxi velice úzce propojeny. Matematické a ekonometrické modely jsou pak schopny dosahovat přesnějších výsledků. Big data jsou určitě klíčem pokroku v oblasti strojového učení. Stroje nebudeme již programovat, ale budeme je učit. Dotkl jste se otázky bezpečnosti. Je bezpečnost velkou slabinou sběru tak obrovského množství dat? Obecně lze určitě tvrdit, že správa a nakládání s daty s sebou nese určité riziko. Kybernetická bezpečnost je v dnešní době klíčovým pilířem fungování mnoha firem. V rámci digitalizace výrobních a technologických procesů přibývá kybernetických hrozeb a společnosti by tuto problematiku určitě neměly brát na lehkou váhu. Obecně vzato jsou ale přínosy digitalizace, internetu věcí, big dat apod. daleko větší než hrozby s tím spjaté. /Kristina Kadlas Blümelová/
