Σε αυτό το άρθρο, θα εισαγάγουμε την έννοια των διεπαφών δεδομένων ανθρώπου-μηχανής. Οι ιδιοκτήτες εγκαταστάσεων μπορούν να χρησιμοποιήσουν αυτό το άρθρο για να μάθουν περισσότερα σχετικά με την έννοια των διεπαφών δεδομένων ανθρώπου-υπολογιστή και τον ρόλο των διεπαφών δεδομένων ανθρώπου-υπολογιστή στο εργοστάσιο του μέλλοντος.
Αυτό το άρθρο καλύπτει:
- Τι σημαίνει διεπαφή δεδομένων ανθρώπου-μηχανής;
- Βασικά πλεονεκτήματα της διεπαφής δεδομένων ανθρώπου-μηχανής
- Ποιες βιομηχανίες το χρησιμοποιούν;
- Τι απαιτείται για την υλοποίηση;
Τι σημαίνει διεπαφή δεδομένων ανθρώπου-υπολογιστή;
Internet of Things και Big Data Environment
Καθώς όλο και περισσότερες πλατφόρμες IoT χρησιμοποιούνται στην κατασκευή, παράγονται μεγάλοι όγκοι δεδομένων. Το «έξυπνο» εργοστασιακό περιβάλλον αφορά τη δημιουργία και την παροχή μεγάλων ποσοτήτων δεδομένων, μηχανικής μάθησης, τεχνητής νοημοσύνης, λύσεων επαυξημένης και εικονικής πραγματικότητας και συνδεδεμένων μηχανών με ενσωματωμένες πλατφόρμες IoT. Τα πραγματικά δεδομένα μπορούν να προέρχονται από εξωτερικές πηγές, όπως αισθητήρες σε μηχανήματα, συνδεδεμένες συσκευές, logistics, ενσωματωμένα HMI, εσωτερικά συστήματα SCADA και μοτίβα αγορών πελατών. Σήμερα, υπάρχουν αμέτρητες πηγές δεδομένων που πρέπει να ενσωματωθούν στη διαδικασία λήψης αποφάσεων.
Οι λύσεις Big Data και Business Intelligence αξιολογούνται όλο και περισσότερο για να αποκτήσουν πληροφορίες από τα δεδομένα. Στις περισσότερες περιπτώσεις, αυτά τα δεδομένα αποστέλλονται στο cloud για περαιτέρω ανάλυση και επεξεργασία. Υπάρχει ανάγκη για μια ισχυρή βιομηχανική λύση cloud για την αποθήκευση και την επεξεργασία δεδομένων από πολλαπλές δημιουργούμενες πηγές δεδομένων.
Τούτου λεχθέντος, ωστόσο, υπάρχουν φορές που πρέπει να ληφθούν στιγμιαίες αποφάσεις, οπότε τα δεδομένα πρέπει να υποβληθούν σε επεξεργασία στην άκρη, αντί να μεταδοθούν πρώτα στο cloud. Το Edge computing περιλαμβάνει την επεξεργασία δεδομένων από πλατφόρμες IoT πιο κοντά στο σημείο όπου παράγονται πραγματικά τα δεδομένα. Στην περίπτωση των εργοστασίων, αυτό περιλαμβάνει την επεξεργασία δεδομένων στο πάτωμα του εργοστασίου.
Σκεφτείτε μια κατάσταση όπου ένα κρίσιμο μηχάνημα σε μια σημαντική γραμμή συναρμολόγησης υπερθερμαίνεται. Εάν πρέπει πρώτα να σταλούν όλα τα δεδομένα στο cloud, αυτό μπορεί να είναι πολύ χρονοβόρο επειδή απαιτείται άμεση δράση. Ζητήματα που αφορούν τον λανθάνοντα χρόνο και τη συνδεσιμότητα δικτύου μπορούν επίσης να έχουν αντίκτυπο. Σε αυτήν την περίπτωση, ο υπολογισμός άκρων είναι προτιμότερος από μια διαδικασία που βασίζεται σε σύννεφο, επειδή οι αισθητήρες από τα μηχανήματα μπορούν να στείλουν μόνο τα δεδομένα που χρειάζονται στο HMI στο εργοστασιακό πάτωμα, έτσι ώστε το προσωπικό του εργοστασίου να μπορεί να προσαρμόσει αμέσως τη θερμοκρασία των μηχανών ανάλογα.
Διεπαφή Ανθρώπινων Δεδομένων
Η έννοια της διεπαφής δεδομένων ανθρώπου-μηχανής αφορά τους ανθρώπους που αλληλεπιδρούν απευθείας με δεδομένα που δημιουργούνται από μηχανή. Περιγράφει επίσης τη σύνδεση μεταξύ του εγκεφάλου και των μοτίβων σκέψης της μηχανής. Με άλλα λόγια, τα δεδομένα ρέουν μεταξύ του ανθρώπινου εγκεφάλου και της μηχανής.
Πολλοί ιδιοκτήτες εγκαταστάσεων είναι εξοικειωμένοι με τη συμμετοχή από μηχανή σε μηχανή επειδή οι μηχανές στο πάτωμα της εγκατάστασης απαιτούν στοιχεία από άλλα μηχανήματα και αποτελούν μέρος ενός εσωτερικού συστήματος SCADA. Οι περισσότεροι είναι επίσης εξοικειωμένοι με την έννοια της διευκόλυνσης της ανθρώπινης αλληλεπίδρασης μέσω της χρήσης της γλώσσας.
Οι διεπαφές δεδομένων ανθρώπου-μηχανής αφορούν την επικοινωνία ανθρώπου-μηχανής. Οι διεπαφές ανθρώπινων δεδομένων απαιτούν μηχανές που είναι σε θέση να συλλάβουν και να κατανοήσουν όχι μόνο νευρωνικά μοτίβα και επικοινωνίες, αλλά και να αναγνωρίζουν και να κατανοούν άλλους αισθητηριακούς δείκτες. Αυτό θα μπορούσε να περιλαμβάνει τη χρήση συστημάτων αναγνώρισης προσώπου, έτσι ώστε οι έμποροι λιανικής να μπορούν να μετρήσουν την αντίδραση ενός πελάτη σε ένα συγκεκριμένο προϊόν ή να παρέχουν διαφημιστικές πληροφορίες σε πραγματικό χρόνο για ένα προϊόν για το οποίο έχουν δείξει θετικό ενδιαφέρον. Οι μηχανές θα πρέπει επίσης να είναι σε θέση να επεξεργάζονται και να κατανοούν φωνητικές εντολές, οπτικές ενδείξεις, βιοανάδραση και άλλα αισθητηριακά δεδομένα προκειμένου να συμμετέχουν αποτελεσματικά σε αυτήν την επικοινωνία.
Οι διεπαφές ανθρώπινων δεδομένων είναι σύμφωνες με τον στόχο του Industry 4.0 της μηχανικής μάθησης, καθώς οι μηχανές θα μαθαίνουν και θα μπορούν να επεξεργάζονται τα δεδομένα που λαμβάνουν από τον ανθρώπινο εγκέφαλο/την άμεση ανθρώπινη ανατροφοδότηση. Έτσι, εάν αυτή η ιδέα εφαρμοστεί σε ένα εργοστασιακό περιβάλλον, στην περίπτωση ενός υπερθερμανθέντος μηχανήματος, η θερμοκρασία θα μπορούσε να ρυθμιστεί με οπτικές ενδείξεις ή άμεσες φωνητικές εντολές από τους εργάτες του εργοστασίου.
Βασικά πλεονεκτήματα των διεπαφών δεδομένων ανθρώπου-μηχανής
Βελτιωμένες δυνατότητες λήψης αποφάσεων
Η βελτιστοποίηση εγκαταστάσεων βάσει δεδομένων έχει διευκολύνει την ανάπτυξη λύσεων πρόβλεψης συντήρησης και άλλων πληροφοριών μεγάλων δεδομένων, όπως αλγόριθμοι μηχανικής εκμάθησης. Μόλις εγκατασταθούν οι πλατφόρμες IoT, οι διεπαφές ανθρώπινων δεδομένων ενδέχεται να επιτρέψουν στον ανθρώπινο εγκέφαλο να έχει πρόσβαση σε δεδομένα και πληροφορίες απευθείας από αυτές τις πλατφόρμες χωρίς να χρειάζεται πρώτα να μεταφέρει δεδομένα στο cloud.
Απλοποίηση της διαδικασίας αφοσίωσης δεδομένων
Η ανάλυση δεδομένων είναι ένα αρκετά πολύπλοκο πεδίο. Ενώ η ανάπτυξη συστημάτων back-end απαιτεί ακόμη προηγμένες τεχνολογικές δυνατότητες, οι διεπαφές ανθρώπου-μηχανής έχουν τη δυνατότητα να μειώσουν την πολυπλοκότητα των παραδοσιακών συστημάτων front-end.
Ανάλυση και επεξεργασία δεδομένων σε πραγματικό χρόνο
Οι διεπαφές ανθρώπινων δεδομένων είναι κατάλληλες για περιβάλλοντα επεξεργασίας αιχμής και επιτρέπουν τη λήψη κρίσιμων αποφάσεων και την ανάλυση δεδομένων σε πραγματικό χρόνο. Δεν υπάρχει χρονική καθυστέρηση λόγω καθυστέρησης και αποστέλλονται μόνο τα δεδομένα που πρέπει να υποστούν επεξεργασία, επομένως εμπλέκονται μικρότερα πακέτα δεδομένων.
Το χρησιμοποιεί η βιομηχανία;
Επί του παρόντος, δεν υπάρχουν πολλές βιομηχανίες που χρησιμοποιούν τη διεπαφή ανθρώπινων δεδομένων. Ο τομέας της υγειονομικής περίθαλψης υιοθέτησε από νωρίς την τεχνολογία Human Data Interface και έχει χρησιμοποιηθεί για να βοηθήσει παραπληγικούς ασθενείς. Αναμένεται ότι όλο και περισσότερες βιομηχανίες θα υιοθετήσουν το μοντέλο της διεπαφής ανθρωπίνων δεδομένων στο εγγύς μέλλον.
Τι απαιτεί η υλοποίηση;
Αλλαγή στάσης
Το πρώτο εμπόδιο που πρέπει να ξεπεραστεί για την υλοποίηση μιας διεπαφής ανθρώπινων δεδομένων είναι η στάση. Παραδοσιακά, η ανάλυση δεδομένων και η διαχείριση μεγάλων δεδομένων έχουν εμβαθύνει πραγματικά μόνο από αναλυτές δεδομένων και άλλους επαγγελματίες πληροφορικής/επιχειρήσεων. Για να αναζητήσετε δεδομένα, πρέπει επίσης να κατανοήσετε βάσεις δεδομένων και πολλές γλώσσες προγραμματισμού. Η έννοια της διεπαφής ανθρώπινων δεδομένων βασίζεται στην ικανότητα του ανθρώπινου εγκεφάλου να εκδίδει άμεσες εντολές σε μηχανές και στην ικανότητα των μηχανών να εντοπίζουν ανθρώπινα συνθήματα και αισθητηριακούς δείκτες. Αυτό σημαίνει ότι η ροή δεδομένων μπορεί να διευκολυνθεί ανεξάρτητα από το επίπεδο δεξιοτήτων ή εξειδίκευσης του τελικού χρήστη, κάτι που απαιτεί μια δραματική αλλαγή στην τρέχουσα στάση απέναντι στην αναζήτηση και διαχείριση δεδομένων.
Κατανόηση δεδομένων
Ο ανθρώπινος εγκέφαλος πρέπει να είναι σε θέση να κατανοήσει τα δεδομένα που μεταδίδονται από το μηχάνημα και το αντίστροφο. Η εκπαίδευση εικονικής πραγματικότητας και άλλα εργαλεία τεχνητής νοημοσύνης μπορούν να χρησιμοποιηθούν για να παρέχουν στους ανθρώπους συνεδρίες αφοσίωσης μηχανών για πιο σύνθετα σύνολα δεδομένων. Οι μηχανές πρέπει επίσης να διαθέτουν τους απαραίτητους αισθητήρες και αλγόριθμους για την επεξεργασία της άμεσης ανθρώπινης ανάδρασης.