The Next Industrial Revolution Is Powered by Machine Learning(기계학습에 의한 차세대 산업혁명의 원동력)

The Next Industrial Revolution Is Powered by Machine Learning(기계학습에 의한 차세대 산업혁명의 원동력)

 

The role of data in industrial operations is critical, with myriad(무수한) applications for AI and machine learning.

산업 운영에서 데이터의 역할은 AI와 기계 학습을 위한 수 많은 응용 프로그램과 함께 매우 중요합니다.

 

At Koch Industries, with around 130,000 employees spread over 70 countries, data impacts every aspect of the company’s wide-ranging manufacturing footprint(발자욱;분야)), which includes energy refining(에너지정제), polymers(중합체), fibers(섬유), glass(유리), fertilizers(비료), forestry(임업), and consumer products. “It has become more core to our business, and we are able to use it in new and innovative ways,” says Elizabeth Gonzalez, the company’s analytics learning leader and AI ambassador. “Data actually empowers so much more of our people and our processes. It’s a core asset that we need to withstand time and improve efficiencies(효율성) and effectiveness.”(효과)

70개국에 걸쳐 약 130,000명의 직원이 근무하고 있는 Koch Industries의 데이터는 에너지 정제, 중합체, 섬유, 유리, 비료, 임업, 소비자 제품 등 광범위한 제조 분야의 모든 측면에 영향을 미칩니다. 이 회사의 분석 학습 리더이자 AI 홍보 대사인 Elizabeth Gonzalez는 "이것은 우리 비즈니스의 핵심이 되었고 우리는 새롭고 혁신적인 방법으로 이를 사용할 수 있게 되었습니다."라고 말합니다. "데이터는 실제로 훨씬 더 많은 인력과 프로세스를 지원합니다. 시간을 견디고 효율성과 효과를 개선하는 데 필요한 핵심 자산입니다."

And when that data is used for machine learning, the benefits are expansive(광활한). For a company the size of Koch Industries, a well-constructed data architecture combined with a collaborative culture can help break down silos(저장고 and accelerate the value of machine learning-based insights. “We benefit from the economies of scale,” Gonzalez says.

그리고 그 데이터가 기계 학습에 사용되면, 그 이점은 엄청납니다. Koch Industries 규모의 기업에서는 잘 구성된 데이터 아키텍처를 협업 문화와 결합하여 사일로를 해체하고 머신 러닝 기반 통찰력의 가치를 가속화할 수 있습니다. Gonzalez는 "우리는 규모의 경제로부터 이익을 얻는다"고 말한다

She points to one use case where the company used Amazon SageMaker, a machine-learning service that you can use to build, train, and deploy (배치하다)ML models to develop anomaly(변칙적인 )-detection models, allowing Koch’s INVISTA subsidiary(자회사) to identify and prevent waste in air bag fiber production. “Some of the models in anomaly detection that they’ve used in the fiber-production process can actually be picked up(수거하다) and moved over to the fertilizer and chemical manufacturing process. We use similar models as INVISTA in our refining processes at Flint Hills Resources, where sensor data helps anticipate and detect leaks in valves, connectors, and other equipment.”

그녀는 Koch의 INVISTA 자회사가 에어백 섬유 생산의 낭비를 식별하고 방지할 수 있도록 허락하는 이상징후 검출 모델을 개발하기 위하여 ML 모델을 제작, 교육 및 배치하는 데 사용할 수 있는 기계 학습 서비스인 Amazon SageMaker를 사용한 한 가지 사용사례를 지적합니다. "섬유 생산 공정에서 사용한 이상 징후 검출 모델 중 일부는 실제로 수거하여 비료 및 화학 제조 공정으로 옮길 수 있습니다. 우리는 플린트 힐 리소스(Flint Hills Resources)의 정제 공정에서 INVISTA와 유사한 모델을 사용합니다. 그 곳에서  감지 데이터는 밸브, 커넥터 및 기타 장비의 누출을 예측하고 감지하는 데 도움이 됩니다."

That ability to apply the benefits of data and machine learning in a holistic(총체적인), 360-degree manner across the enterprise is critical for any organization seeking to maximize the potential of digital transformation,(변신) says Michel Putnik, worldwide business development leader, manufacturing at AWS.

기업 전체에 걸쳐 데이터 및 머신러닝의 이점을 총체적이고 360도 방식으로 적용할 수 있는 능력은 디지털 혁신의 잠재력을 극대화하고자 하는 모든 조직에 매우 중요합니다.라고 AWS의 세계적인 제조 비즈니스 개발 리더인 Michel Putnik은 말합니다.

“Data needs to be readily(쉽게) available for anyone to consume, across the functional and organizational boundaries, both internally and many times externally with your trading partners,” he says. “It’s important to realize that there’s somebody left and right of this function who is going to(누리는 ~에 가고 있는 ) benefit from the understanding.”

데이터는 기능적 및 조직적 경계를 넘어 거래 파트너와 함께 내부적으로 그리고 외부 적으로 여러 번 소비 할 수 있도록 누구나 쉽게 사용할 필요가 있습니다.”라고 그는 말합니다. "  이해의 혜택으로 가고 있는(누리고 있는) 이 기능의 왼쪽과 오른 쪽에 누군가가 있다는 것을 인식하는 것이 중요하다  ."

 

Powering Power Generation With AI

AI로 발전 동력화

 

Nothing about the production of energy comes easily, particularly in a country like Australia, with its vast size and harsh(혹독한) climate. For Woodside Energy, Australia’s leading producer of liquefied (액화된)natural gas (LNG), meeting the challenges(과제) in optimizing operations and driving innovation means a strategic framework leveraging the same critical resource as Koch: data.

특히 호주와 같은 광대 한 규모와 혹독한 기후를 가진 국가에서는 에너지 생산에 관한 어떤 것도 쉽게 얻을 수 없습니다. 호주 최고(선도적)의 액화 천연 가스 (LNG) 생산 업체인 Woodside Energy에게는 운영 최적화하고  혁신추진 과제를 맞딱뜨리는 것은 Koch와 동일한 중요한 리소스인 데이터를 활용하는 전략적 프레임 워크를 의미합니다.

Whether collected by the over 200,000 IoT sensors monitoring every aspect of facility (시설)operations or documents catalogued(목록을 만들다) over 35 years of designing, building, and operating LNG plants, Woodside has tremendous amounts of valuable data. It has developed a culture dedicated9전념하다.바치다) to making this data a driver of growth through a robust digital infrastructure that includes machine learning. And getting insights from this data is possible with AWS cloud tools and technologies such as data lakes, IoT, ML, and AI.

시설 운영의 모든 측면을 모니터링하는 200,000 개 이상의 IoT 센서 또는 35 년 동안 LNG 플랜트를 설계, 구축 및 운영하면서 카탈로그화된 문서에 의해 수집 되든 상관없이 Woodside에는 엄청난 양의 귀중한 데이터가 있습니다. 머신 러닝을 포함하는 강력한 디지털 인프라를 통해이 데이터를 성장의 원동력으로 만드는데 전념하는 문화를 개발했습니다. 데이터 레이크, IoT, ML 및 AI와 같은 AWS 클라우드 도구및 기술을 사용하면이 데이터에서 통찰력을 얻을 수 있습니다.

“We always start with the question, ‘What is the problem we’re trying to solve?’” says Shelley Kalms, chief digital officer at Woodside Energy. “What’s the opportunity?”

Woodside Energy의 수석 디지털 담당자인 Shelley Kalms는 "우리는 항상 '우리가 해결하고자 하는 문제가 무엇인가?'  "기회가 어떻게 되죠?" 라는 질문으로 시작합니다."라고 말합니다.

A need for answers fueled Woodside to build its FUSE platform. Constructed on the AWS cloud, FUSE is a digital twin of Woodside’s facilities that uses tools to train and deploy machine-learning models and to label and organize data sets. FUSE allows Woodside to run thousands of simulations to anticipate maintenance needs and limit service disruptions, as well as add automation to anomaly detection on important equipment. “The digital twin can sense all the data coming in from the plant. We can give access to operators, and say ‘Based on this, here’s what you need to change,’” Kalms says. She points to one example where sensor data from fin fans (vital(생명력이 있는) cooling mechanisms used throughout an LNG production facility) has allowed for predictive diagnosis and repair, helping Woodside save around 1,800 hours of labor and reduce fan maintenance costs by up to 25%.

대답에 대한 필요성은 Woodside 로 하여금  FUSE 플랫폼을 구축하게 했다. AWS 클라우드에 구축된 FUSE는 도구를 사용하여 기계 학습 모델을 교육 및 배포하고 데이터 세트에 라벨을 지정하고 구성하는 Woodside 시설의 디지털 트윈입니다. FUSE는 Woodside로 하여금  수천 개의 시뮬레이션을 실행하여 유지 관리 요구 사항을 예측하고 서비스 중단을 제한할뿐만 아니라 중요한 장비의 이상 감지에 자동화를 추가 할 수 있게 한다. “디지털 트윈은 공장에서 들어오는 모든 데이터를 감지 할 수 있습니다. 운영자에게 액세스 권한을 부여하고 '이를 기반으로 변경해야 할 사항은 다음과 같습니다.'라고 Kalms는 말합니다. 그녀는 핀 팬 (LNG 생산 시설 전체에 사용되는 필수(생명력이 있는) 냉각 메커니즘)의 센서 데이터가 예측 진단 및 수리를 허용하여 Woodside가 약 1,800 시간의 노동력을 절약하고 팬 유지 관리 비용을 최대 25 %까지 줄이는 데 도움이 되는 한 가지 예를 지적합니다.

“Let’s get our hands on this data. Let’s apply machine learning and AI technologies to predict how assets perform across the line or across multiple lines, and use that to our advantage to avoid unplanned downtime. Let’s improve on those key performance indicators by which we measure success.”

Dr. Sascha Israel Head of Digital Transformation and IT, Crop Science Division, Bayer

"이 데이터를 손에 넣읍시다. 기계 학습 및 AI 기술을 자산이 라인 또는 여러 회선에 걸쳐 어떻게 수행되는지 예측하는 데 적용하고  계획되지 않은 다운타임(컴퓨터가 작동하지 않는 시간)을 방지하기 우리들의 장점에 그것을 활용하도록 합시다. 성공을 측정함으로서 주요 성과 지표를 개선해 봅시다."

-Bayer의 작물 과학 부문 디지털 혁신 및 IT 책임자인 Sascha Israel 박사

 

Fueled by the FUSE digital twin, predictive analytics like these have a significant impact on optimizing operations and reliability. “A 1% improvement in reliability is quite significant for us, Kalms says. “If the plant were to go down,(무너지다) we’d be looking at millions of dollars in losses.”

FUSE Digital Twin으로 구동되는 이러한 예측 분석은 운영 및 신뢰성을 최적화하는 데 상당한 영향을 미칩니다. Kalms는 "신뢰성이 1% 향상되는 것은 우리에게 매우 중요한 일입니다. "만약 공장이 무너진다면, 우리는 수백만 달러의 손실을 보게 될 것입니다."

 

The Expanded Reach of Machine Learning

기계학습의 영역확대

The transformative(변화시키는) power of machine learning extends well beyond traditional manufacturing, as well. Artificial intelligence is rapidly transforming farming, where advancements in precision agriculture are helping to drive advances in efficiency and sustainability.

기계 학습의 혁신적 힘은 또한 전통적인 제조를 훨씬 넘어 확장됩니다. 인공지능은 정밀 농업의 발전이 효율성과 지속 가능성의 발전을 촉진하는 데 도움을 주는 농업을 변화시키고 있다

Inside the Crop Sciences Division of multinational life sciences giant Bayer, machine learning is being used to deliver new levels of efficiency and productivity to crop yields and sustainability. “Agriculture today is a very exciting place from an innovation and digital perspective, with sophisticated equipment in the fields including drones, satellites, and IoT devices, as well as a lot of data-driven decision science,” says Dr. Sascha Israel, head of digital transformation and IT, Crop Science Division at Bayer.

다국적 생명 과학 거대 기업인 Bayer의 작물 과학 부문 내부에서는 기계 학습이 작물 수확량과 지속 가능성에 새로운 수준의 효율성과 생산성을 제공하는 데 사용되고 있습니다. “오늘날의 농업은  드론, 위성, IoT 장치는 물론 수많은 데이터 기반 의사 결정 과학 분야의 정교한 장비를 갖춤으로 혁신과 디지털 관점으로 부터  매우 흥미로운 곳입니다.  바이엘의 작물 과학부, 디지털 트랜스 포메이션 및 IT 부서. 책임자 Sascha Israel는 말합니다.

Bayer, Israel says, is able to structure a farmer’s growing season around approximately 40 major decisions on everything from crop rotations to the right seed to purchase to harvesting logistics. For each, data collected can inform machine-learning models, helping the farmer understand every square foot of their field at both a micro and macro level and choose the best course of action. Bayer’s Climate FieldView platform is a key tool that can help farmers leverage these benefits. Another example includes image recognition capabilities, trained using Amazon SageMaker, available to farmers via a mobile app called FieldCatcher. Creating what amounts to a virtual agronomist(농학자), FieldCatcher helps identify the spread of weeds, pests, and disease with precision, allowing farmers to head off (진로를 차단하다)problems before they start.

 바이엘은 농작물 순환에서부터 적절한 씨앗 구입, 물류 수확까지 모든 것에 대한 약 40개의 주요 결정사항들인 농부의 성장계절을 구성할 수 있다고 이스라엘은 말합니다. 농부들이 마이크로 레벨과 매크로 레벨 모두에서 자기 분야의 모든 평방 피트를 이해하고 최상의 작업 과정을 선택하는 데 도움이 되는 각각에 대해 수집된 데이터는 기계 학습 모델에 정보를 제공할 수 있다. Bayer's Climate FieldView 플랫폼은 농부들이 이러한 이점을 활용할 수 있도록 지원하는 핵심 도구입니다. 또 다른 예로는 FieldCatcher라는 모바일 앱을 통해 농부들이 사용할 수 있는 Amazon SageMaker를 사용하여 학습한 이미지 인식기능이 포함된다.가상의 농경가에 이르기까지  만드는 필드캐쳐는 잡초, 해충, 질병의 확산을 정확하게 식별하여 농부들이 문제를 사전에 차단할 수 있도록 도와줍니다.

For Israel, the ability to build full-stack(전체) data architecture(구성) through AWS brings significant benefits. “We apply cloud storage(저장), compute(계산), and scalable(확장성이 있는) tools like SageMaker to provide fast, cost-efficient, and resilient solutions to important and challenging problems,” he says. And like Woodside and Koch Industries, Israel says Bayer can apply data in other use cases in unexpected ways, especially as more people, unencumbered(구애 받지 않는) by the demands of data collection and infrastructure, are able to focus on higher-level functions. “We want to use our resources and capabilities to solve the problems of farmers and agriculture,” he says. “We don’t want to tie it up in data centers and infrastructure resources.”

이스라엘게는 AWS를 통해 전체 데이터 구성를 구축할 수 있는 능력이 상당한 잇점을 가져다 준다 "우리는 중요하고도 어려운 문제에 대한 빠르고 비용 효율적이고 탄력적인 솔루션을 제공하기 위해 SageMaker와 같은 클라우드 스토리지, 컴퓨팅 및 확장 가능한 툴을 사용(적용)합니다."라고 그는 말합니다. 또한 Woodside나 Koch Industries와 마찬가지로 이스라엘도 Bayer가 예상치 못한 방법으로 데이터를 적용할 수 있다고 말합니다. 특히 더 많은 사람들이 데이터 수집과 인프라의 요구에 구애받지 않고 보다 높은 수준의 기능에 집중할 수 있기 때문입니다. "우리는 우리의 자원과 능력을 농부와 농업의 문제를 해결하기 위해 사용하고 싶습니다."라고 그는 말합니다. "우리는 데이터 센터와 인프라 자원에 이 문제를 묶고 싶지 않습니다."

“Let’s get our hands on this data. Let’s put it somewhere. Let’s start cleaning it up and analyzing it,” Israel says. “Let’s apply machine learning and AI technologies to predict how assets perform across the line or across multiple lines, and use that to our advantage to avoid unplanned downtime. Let’s improve on those key performance indicators by which we measure success.”

이 데이터를 손에 넣읍시다. 어디다 갖다 놓자. 청소하고 분석해보자"고 이스라엘은 말한다. "기계 학습 및 AI 기술을 적용하여 자산이 회선 또는 여러 회선에 걸쳐 어떻게 작동하는지 예측하고, 계획되지 않은 작동하지 않는 시간을 방지하기 위해 이를 우리들의 잇점에  활용하도록 해 봅시다 . 성공을 측정함으로서  주요 성과 지표를 개선해 봅시다."

That can include the opportunity for operational improvements in one part of an industrial process to positively inform another and also to maximize the ways in which improved yields and demand signals can benefit other business functions like sales, marketing, and logistics.

그것은  산업 프로세스의 한 부분에서 운영 개선을 통해 다른 부분에 긍정적인 정보를 제공하고 개선된 수율 및 수요신호가 영업, 마케팅 및 물류와 같은 다른 비즈니스 기능에 도움이 되는 방식을 극대화할 수 있는 기회가 포함될 수 있습니다.

Putnik points to areas—including engineering and design, product and asset optimization, quality management, supply chain management, worker safety and productivity, and smart products and machines—as places where industrial companies are benefiting from cloud technologies like machine learning. AWS is investing in services and solutions covering this broad set of industrial workloads(작업량), including recently launched services for industrial enterprises to maximize the value of information without needing machine-learning expertise(전문지식).

Putnik은 엔지니어링 및 설계, 제품 및 자산 최적화, 품질 관리, 공급망 관리, 작업자 안전 및 생산성, 스마트 제품 및 기계를 포함한 영역을 산업 기업이 기계 학습과 같은 클라우드 기술의 혜택을받는 곳으로 지적합니다. AWS는 기계 학습 전문 지식 없이도 정보의 가치를 극대화하기 위해 최근 출시된 산업 기업용 서비스를 포함하여이 광범위한 일련의 산업 작업량을  다루는 서비스 및 솔루션에 투자하고 있습니다.

These include Amazon Monitron, an end-to-end( 한쪽 끝과 다른 한쪽 끝을 잇는; (장(腸) 등의) 절단한 면과 다른 한끝을 봉합하는) monitoring solution including sensors and a machine-learning service to detect equipment conditions that may require maintenance; Amazon Lookout for Equipment, which allows existing sensors to work with AWS machine-learning models to detect abnormal equipment behavior and enable predictive maintenance; and Amazon Lookout for Vision, which spots defects and anomalies in visual representations using computer vision. Innovations like these inevitably help with the critical issues that businesses face when it comes to using data effectivel

이들은  유지 보수가 필요할 수 있는 장비 상태를 감지하기 위한 센서 및 기계 학습 서비스를 포함하는 종단간 모니터링 솔루션인 Amazon Monitron.: 그리고  기존 센서로 하여금 AWS 기계 학습 모델과 같이 작동하여 비정상적인 장비 동작을 감지하고 예측 유지 관리를 활성화 할 수 있는 Amazon Lookout for Equipment : 컴퓨터 비전을 사용하여 시각적 표현에서 결함과 이상을 찾아내는 Amazon Lookout for Vision이 포함됩니다 . 이와 같은 혁신은 기업이 데이터를 효과적으로 사용할 때 기업이 직면하는 중요한 문제로 필연적으로 도움이됩니다.