あなたの会社のデジタルインテリジェンスは行き詰まっていて非生産的ですか？強固な情報/データの「足場」は、組織全体のデータや知識の流れを効率的に引き出します。
表1に示すように、企業は主要な長期目標を達成するためにデジタル化プロジェクトに投資しています。1 デジタルトランスフォーメーションは基本的に（さまざまな形式の）データの流れを開き、複数のソースをリモートユーザーやオンサイトユーザーに接続します。高度なアーキテクチャとプラットフォームにより、データと情報の転送プロセスが高速になります。したがって、業務と市場データは事業資産であり、価値があります。情報への迅速なアクセスが最終目標です。多くの企業が「組織全体のデータフローと情報可用性（IA）をサポートするための最適な足場（プラットフォーム）は整っているか」という疑問に答える必要があります。
すべてのデータが同じというわけではない
加工業や製造業界は大量のデータを蓄積してきましたが、それを有用な情報に変換するのに苦労しています。デジタル化プロジェクトは、分析の改善と予測機能の提供を目的としています。このような取り組みには、デジタルツイン、AI、機械学習（ML）、予知保全（PdM）の利用が含まれます。これらの方法には、大量の質の高いデータリソースが必要です。
テーブル 1.デジタルプロジェクトの投資目標1
テーブル 2.データに関する主な懸念
- データ不足または不十分
- データベースへのアクセス権がない、または制限されている
- データが壊れています
- データの欠落/不完全
- データソース間の形式とタグが間違っている (見つからない)
- セキュリティ問題
デジタルプログラムのROIは、多くの場合、運用の信頼性の向上や安全/環境パフォーマンスの向上と照らし合わせて測定されます（表1）。成功は、有効なデータの入手可能性と量、および組織全体にわたる情報の流れによって決まります。すべてのデータが同じというわけではありません。表2は、プラントと設備のデータに関する多くの懸念をまとめたものです。特に高度なツール（AI と ML）の場合、これらの問題は最高のアルゴリズムであっても支障をきたす可能性があります。
データソースはどこにありますか?
測定値（タイムスタンプ付きデータ）は長年にわたって収集されています。図1は、処理施設に関する一般的な意思決定を示しています。図2に示すように、生産/運用/設備のデータは閉じたループで流れることが多く、データベースと情報のサイロ化が生じます。表1の目的を達成するために、必要なデータは多くの情報源（歴史家）にあるかもしれませんが、それらは多くの場合関連していません。
デジタルプロジェクトでは、より高いレベルの分析（AI、ML、PdM、ビッグデータ）を行うためにIAが必要です。2 データプラットフォームまたはアーキテクチャは足場です。データ/情報の収集、保存、分析、および識別されたユーザー（ローカルおよびリモート）との共有をサポートします。このフレーミングにより、垂直方向と水平方向を問わず、さまざまな方向でより高速な情報共有サービスが可能になります。図3に示すように、データ/情報機能はクローズド・ループ・システムからサポート・ループ・システムへと移行しています。これで、どこからでもデータを取得できます。3
最も低い使用レベルのデータ
センサー、バルブアクチュエーター、モータースターターなどの物理デバイスを使用して、プロセス機器や機械を監視および自動化できるようになります。4 デジタルトランスフォーメーションは、データプロバイダーを監督および分析機能に結び付けます。この関係は、インテリジェントエッジコンピューティングなどの新しい開発によって絶えず変化しています。高度なエッジデバイスには、PCと同じレベルの分析機能があります。4 事前分析機能により、データセンターのアクションを必要とせずに、重要なアクションをデバイスレベルで開始できます。
資本として使用されるデータ
データをビジネス資産として管理するには、データや情報の収集と共有方法を評価する必要があります。表2からわかるように、データ管理にギャップがあると、製品の切り替え、計画的なダウンタイム、機器の交換、処理の変更などの重要な決定にそのような情報を使用することへの信頼が損なわれます。デジタルプロジェクトの開発では、データの選択とプラットフォームが重要な決定事項です。エネルギー会社は1990年代から自動化/制御システムに投資してきました。分析と最適化プロジェクトのための人工知能を設計するには、既存のシステムを統合して更新することが不可欠です。
データプロジェクトは複雑です！データに関連するその他の問題には以下が含まれます。5
- 十分なデータ — 分析プロジェクトにはどのくらいのデータが必要ですか?
- データの信頼性—メーターや機器のキャリブレーションとバイアスは、測定データの精度と信頼性に影響を与える可能性があります。その結果、データ生成デバイスのメンテナンスが不十分だと、エラーが発生します。
- データ伝播—プロセスまたは機器が変更されてから記録されるまでにどれくらいの時間がかかりますか？イベントの開始と失敗条件の間にはどのようなギャップがありますか?
- データガバナンス — データの所有権に対処する必要があります。自動化されたデータを上書きまたは変更することはできますか？データソースは外部からの攻撃から保護されていますか?
データの保存、共有、使用の方法の関係は進化し続けています。事業会社や製造会社は、事後対応型の立場から積極的な姿勢へと移行しています。データは知識通貨であり、投資して使用する必要があります。IAは、組織に知識、コンテンツ、およびデータ基盤を提供します。同様に重要なのは、IAが組織全体でAI とビッグデータ分析をサポートしていることです（図3）。3 AI のアルゴリズムにはIAは必要ないかもしれませんが、結果を適用するには必要です。2
引用文献
1ホワイト、ダグラス、「精製および石油化学プラント運営におけるデジタル変革：振り返り、将来に期待」、AFPM 2020サミット、サミット20-63、2020年8月27日、emerson.com。
2Earley、Seth、「デジタルワークプレイスにおける情報フローの合理化：人工工学と知識工学の役割」、デジタル・ワークフォース・エクスペリエンス、2020年10月14日、 https://www.earley.com/。
3 ペリーノ、Joe、「新しいエコシステムにおけるエッジコンピューティング」、2020年8月、https://resource.stratus.com/whitepaper/edge-computing-in-the-new-ot-ecosystem/。
4イーストバーン、ジョシュ、「エッジからクラウドまでの産業用IoT 構築」、オートメーション2020、第4巻、 https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf。
5KBC、「デジタル化マニフェスト」、 https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf。
