Konkretiaa IoT:hen

Internet of Thingsin kaltaisesta laajasta ilmiöstä ei ole helppo saada otetta. On toisaalta hyvä tajuta käsitteellisellä tasolla, missä maa makaa kymmenen vuoden tähtäimellä, mutta myös ymmärrettävä, mitä nyt tai lähitulevaisuudessa oikeasti voi ostaa tai tehdä. Olennaista on ymmärtää teknologian monikäyttöisyys. Siis se, että tässä tapauksessa yksi esimerkki edustaa valtavan laajaa sovelluskirjoa. Samaa analytiikka-algoritmia voidaan soveltaa samantyyppisten ongelmien ratkaisuun niin terveydenhuollossa kuin robotiikassa.

Edellisissä blogikirjoituksissani olen käynyt läpi sitä, mitä teollisen internetin haltuunottoa yrityksen näkökulmasta vaatii. Käytännön liikkeenjohtajaa kuitenkin luultavasti puhuttelee tietynlainen konkretia puheissa, joten seuraavassa tarjoilenkin esimerkkejä siitä, mitä IoT-rintamalla ollaan jo tähän mennessä saavutettu.

Ehkäisevästä huollosta ennustavaan

Lafarge käyttää älykästä Asset Management -ratkaisua kenttähuollon ohjauksessa ja huoltokustannusten minimoinnissa. Se on 12 miljardin euron liikevaihdolla maailman johtavia yrityksiä rakennusalan perusraaka-aineiden tuotannossa. Pääkonttori sijaitsee Ranskassa, mutta tuotantolaitoksia sillä on maailmanlaajuisesti 1 500. Paremmalla huoltotarpeiden ennakoinnilla yritys säästää huoltokustannuksissa noin 5 prosenttia vuodessa. Samankaltaisia ratkaisuja löytyy myös Fingridiltä ja KONEelta. IoT-teknologian avulla Fingrid pystyy yhdistämään aikaisemmin erillään olleet järjestelmät ja ehkäisemään vikatiloja hallitsemalla koko sähkönsiirtoverkkoa samanaikaisesti. Kulujenhallinnan lisäksi ratkaisu mahdollistaa myös tehokkaamman päätöksenteon. KONEen IoT-ratkaisulla pyritään samaan: estämään mahdolliset ongelmatilanteet etävalvonnan ja -hallinnan avulla.

Kyse on Internet of Things -maailman peruskaurasta: teknologiasta, analytiikasta ja prosesseista, joita voidaan soveltaa ja tullaan soveltamaan kaikkeen tuotantotoimintaan. Tämä tulisi olla hallussa jo kaikilla teollisilla yrityksillä.

Optimaalista energiankäyttöä

Taiwanilainen Advantech käyttää älykästä Asset Management -ratkaisua tehdäkseen uusista rakennuksista 15 prosenttia energiatehokkaampia. Ratkaisussa monipuoliseen anturiverkostoon perustuva malli auttaa ennakoimaan tilanteita reaaliaikaisesti, optimoimaan käyttöä ja kehittämään kunnossapitoprosesseja. Tässäkin tapauksessa teknologia on hyväksi koettua ja tulee jatkossa yleistymään kaikessa älykkäässä rakentamisessa.

Markkinoille sutjakammin

Kiwi Wearables on päälle puettavan ja mobiilin elektroniikan pioneeri. Sille on olennaista nopea konseptien ja prototyyppien kehittäminen. Tätä Time to Market -ajan kannalta olennaista vaihetta IBM:n pilviratkaisu lyhensi 75 prosenttia. Prototyypin rakentamisaika kutistui kuukausista päiviin. Samaan tapaan kuka tahansa voi hyödyntää pilvessä olevia analytiikka- ja muita toiminnallisuuksia. Älykkäiden ratkaisujen taustalogiikka ja analytiikkamallit kun voivat olla hyvin samanlaisia eri toimialoilla ja sovelluksissa.

Reaaliaikainen tietotulva hallintaan

Shaspa on yritys, joka on syvällä älyrakennusten Internet of Things -ekosysteemissä. Se tuottaa ratkaisuja, jotka yhdistävät kymmenien eri yritysten älykkäisiin rakennuksiin tarkoitettuja laitteita. IBM Informix on Shaspalle keino hallita valtavaa reaaliaikaisen tiedon tulvaa, jonka avulla mallinnetaan ja optimoidaan toimintaa. Tämä ratkaisu on täysin avoin rajapinnoiltaan ja sitä voidaan soveltaa hyvin laajasti. IBM:n toinen partneri Hildebrand soveltaa samaa teknologiaa suuriin kauppakeskuksiin. Se käsittelee ja analysoi reaaliaikaisesti 300 000 tietoa sekunnissa.

Älykkäät mallit ihmishenkien pelastajana

Yhtenä esimerkkinä terveydenhoitoalan loputtomista mahdollisuuksista olkoon Emory University Hospital, joka kerää ja vertailee potilaan tietoja tunnistaakseen hengenvaaralliset tilanteet etukäteen. Sairaalassa kerätään ja analysoidaan kustakin potilaasta reaaliaikaisesti noin 100 000 tietoa sekunnissa. Menetelmä on nopeuttanut tilannekuvan saamista 95 prosenttia – päivistä tunteihin ja minuuteista sekunteihin. Samaa tiedonkeruu- ja mallinnusteknologiaa voidaan käyttää mihin tahansa suurten tietomäärien analyyseihin ja prediktiivisiin malleihin.

Ennustetarkkuus voittaa ihmisen ja mallit oppivat nopeasti

Selkeä ja helposti tajuttava esimerkki prediktiivisestä analytiikasta liittyy urheiluun. Waratahs Rugby, 1882 perustettu australialainen joukkue, käyttää big data -analytiikkaa ja mallinnusta ennustaakseen ja estääkseen pelaajien vammoja. Kustakin pelaajasta kerätään paikka-, liike- ja fysiologista tietoa ja niiden perusteella voidaan tarkasti nähdä väsymysperäisen vammautumisen riski ja vetää pelaaja pois kentältä. Tämä on siis ammattisovellus tutuista Sports Trackereista. Täsmälleen samaa teknologiaa ja mallinnustapaa voidaan käyttää tuhansissa muissa tilanteissa. Olennaista on, että ilman analytiikkaa ennustetarkkuus on todella huono. Esimerkiksi pelaaja itse ei tunnista ennusmerkkejä pelin tuoksinassa, ja valmentajan silmät sumentaa pelitaktiikan miettiminen. Analytiikka poistaa siis subjektiivisen osan tilannearviosta, mutta jättää silti päätöksenteon vastuuhenkilöille.

Usein unohdettu tulokulma analytiikan käytössä on oppimisen tehostuminen. Mallit oppivat kokemuksistaan paljon paremmin kuin ihmiset, joten mallit kehittyvät nopeasti paremmiksi. Niiden kehittäjät taas oppivat nopeasti ilmiöstä uusia piirteitä ja osaavat ehkä soveltaa tehokkaampia algoritmeja, jolloin uusi, nopea kehityskaari voi alkaa. Tässä on kyse myös kognitiivisesta tietojenkäsittelystä – koneoppimisesta, joka on ottanut valtavia edistysaskeleita viime vuosina.

Analytiikan avulla kohti tuntematonta

Kuten esimerkeistä havaitaan, portti Internet of Things -maailmaan käy analytiikkasovellusten kautta. Ja ainoastaan sitä kautta. On nimittäin niin, että älykkäiden laitteiden keskinäinen toiminta, joka tulee varmasti yleistymään jatkossa, nojaa analytiikan varaan. On vaikea kuvitella, että yhteen kytketyt laitteet saisivat mitään järkevää aikaan ilman niiden toimintaa ohjaavaa simulaatiomallia. ”Cyber-Physical System” -termi, joka esiintyy usein Internet of Things -kirjallisuudessa, sisältää tämän idean. Fyysinen todellisuus on mallinnettava, jotta sitä voidaan ymmärtää ja ohjata tietotekniikalla.

Aikanaan, kun pyörä keksittiin, monet luultavasti miettivät, että mitähän hyötyä siitäkin mahtaa olla. Että kyllä tämä kävely varmaan on meille se turvallisin tapa. Teknologian kehittyessä yhä kiivaammin, on kuitenkin tärkeää ottaa se kuuluisa ensiaskel, vaikka ei tietäisi, mikä rappusten yläpäässä odottaa. Näin on myös IoT:n laita.

 

Ari Kannisto
Eläkkeelle siirtynyt johtava liikkeenjohdon konsultti

Avainsanat: analytiikka, digitalisaatio, Internet of Things

Kommentit