I denne artikkelen vil vi introdusere betydningen av menneske-maskin-datagrensesnitt. Anleggseiere kan bruke denne artikkelen til å lære mer om konseptet menneske-datamaskin-datagrensesnitt og rollen til menneske-datamaskin-datagrensesnitt i fremtidens anlegg.
Denne artikkelen dekker:
- Hva betyr menneske-maskin datagrensesnitt?
- Viktige fordeler med menneske-maskin datagrensesnitt
- Hvilke bransjer bruker det?
- Hva kreves for implementering?
Hva betyr datagrensesnitt mellom mennesker og datamaskiner?
Internet of Things og Big Data Environment
Ettersom flere og flere IoT-plattformer brukes i produksjon, genereres store mengder data. Det «smarte» fabrikkmiljøet handler om å generere og levere store mengder data, maskinlæring, kunstig intelligens, utvidede og virtuelle virkelighetsløsninger og tilkoblede maskiner med integrerte IoT-plattformer. De faktiske dataene kan komme fra eksterne kilder som sensorer på maskiner, tilkoblede enheter, logistikk, innebygde HMI-er, interne SCADA-systemer og kundekjøpsmønstre. I dag er det utallige datakilder som må integreres i beslutningsprosessen.
Big Data og Business Intelligence-løsninger blir i økende grad evaluert for å få innsikt fra data. I de fleste tilfeller sendes disse dataene til skyen for videre analyse og behandling. Det er behov for en robust industriell skyløsning for å lagre og behandle data fra flere genererte datakilder.
Når det er sagt, er det imidlertid tider når umiddelbare beslutninger må tas, i så fall må dataene behandles på kanten, i stedet for å overføres til skyen først. Edge computing innebærer å behandle data fra IoT-plattformer nærmere der dataene faktisk genereres. Når det gjelder fabrikker, innebærer dette behandling av data på fabrikkgulvet.
Tenk på en situasjon der en kritisk maskin på et viktig samlebånd overopphetes. Hvis alle dataene må sendes til skyen først, kan dette være svært tidkrevende fordi det kreves umiddelbar handling. Problemer som involverer ventetid og nettverkstilkobling kan også ha innvirkning. I dette tilfellet er edge computing å foretrekke fremfor en skybasert prosess fordi sensorer fra maskinene kun kan sende dataene de trenger til HMI på fabrikkgulvet, slik at fabrikkpersonell umiddelbart kan justere temperaturen på maskinene deretter.
Human Data Interface
Human-Machine Data Interface-konseptet handler om mennesker som samhandler direkte med maskingenererte data. Den beskriver også sammenhengen mellom hjernen og maskinens tankemønstre. Med andre ord flyter data mellom den menneskelige hjernen og maskinen.
Mange anleggseiere er kjent med maskin-til-maskin-involvering fordi maskiner på fabrikkgulvet krever input fra andre maskiner og er en del av et internt SCADA-system. De fleste er også kjent med begrepet tilrettelegging for menneskelig samhandling gjennom bruk av språk.
Menneske-maskin-datagrensesnitt handler om menneske-maskin-kommunikasjon. Menneskelige datagrensesnitt krever maskiner som er i stand til å fange opp og forstå ikke bare nevrale mønstre og kommunikasjon, men også gjenkjenne og forstå andre sensoriske indikatorer. Dette kan inkludere bruk av ansiktsgjenkjenningssystemer slik at forhandlere kan måle en kundes reaksjon på et bestemt produkt eller gi reklameinformasjon i sanntid om et produkt de har vist positiv interesse for. Maskiner bør også være i stand til å behandle og forstå talekommandoer, visuelle signaler, biofeedback og andre sensoriske data for å effektivt kunne engasjere seg i denne kommunikasjonen.
Menneskelige datagrensesnitt er i tråd med Industry 4.0-målet for maskinlæring, ettersom maskiner vil lære og være i stand til å behandle dataene de mottar fra den menneskelige hjernen/direkte menneskelig tilbakemelding. Derfor, hvis dette konseptet brukes på et fabrikkmiljø, i tilfelle av en overopphetet maskin, kan temperaturen justeres ved visuelle signaler eller direkte talekommandoer fra fabrikkarbeidere.
Viktige fordeler med datagrensesnitt mellom mennesker og maskiner
Forbedret beslutningsevne
Datadrevet anleggsoptimalisering har gjort det lettere å utvikle prediktive vedlikeholdsløsninger og annen stor datainnsikt som maskinlæringsalgoritmer. Når IoT-plattformer er på plass, kan menneskelige datagrensesnitt tillate den menneskelige hjernen å få tilgang til data og innsikt direkte fra disse plattformene uten å måtte overføre data til skyen først.
Forenkling av dataengasjementsprosessen
Dataanalyse er et ganske komplekst felt. Mens utviklingen av back-end-systemer fortsatt krever avanserte teknologiske evner, har menneske-maskin-grensesnitt potensial til å redusere kompleksiteten til tradisjonelle front-end-systemer.
Sanntidsdataanalyse og prosessering
Menneskelige datagrensesnitt er godt egnet til avanserte prosesseringsmiljøer og gir mulighet for kritisk beslutningstaking og dataanalyse i sanntid. Det er ingen tidsforsinkelse på grunn av latens og kun dataene som må behandles sendes, derfor er mindre pakker med data involvert.
Bruker industrien det?
Foreløpig er det ikke mange bransjer som bruker Human Data Interface. Helsesektoren har vært en tidlig bruker av Human Data Interface-teknologi og har blitt brukt til å hjelpe paraplegiske pasienter. Det forventes at flere og flere bransjer vil ta i bruk Human Data Interface-modellen i nær fremtid.
Hva krever implementering?
Holdningsendring
Den første hindringen som må overvinnes for å implementere et menneskelig datagrensesnitt er holdning. Tradisjonelt har dataanalytikere og big data-administrasjon bare virkelig blitt fordypet i av dataanalytikere og andre IT-/forretningsfolk. For å spørre etter data, må man også forstå databaser og flere programmeringsspråk. Konseptet for menneskelig datagrensesnitt er avhengig av den menneskelige hjernens evne til å gi direkte kommandoer til maskiner, og maskinens evne til å fange opp menneskelige signaler og sensoriske indikatorer. Dette betyr at dataflyten kan tilrettelegges uavhengig av ferdighetsnivået eller ekspertisen til sluttbrukeren, noe som krever en dramatisk endring i nåværende holdninger til dataspørring og -administrasjon.
Forstå data
Den menneskelige hjernen må være i stand til å forstå dataene som overføres av maskinen og omvendt. Virtual reality-trening og andre AI-verktøy kan brukes til å gi folk økter med maskinengasjement for mer komplekse datasett. Maskiner må også ha de nødvendige sensorene og algoritmene for å behandle direkte menneskelig tilbakemelding.