Digitalisering og nye teknologier

Virksomheder, der sigter mod AI-drevet effektivitet og forretningsmæssige gevinster, skal starte med at vurdere deres datamodning. Uden tilstrækkelig tilgængelighed, adgang og kvalitet af data vil ethvert AI-projekt støde på vanskeligheder og skuffende resultater. AI er kun så stærk som de data, den fodres med.

De fleste industrielle virksomheder mangler ikke data. En konstant strøm af informationer føder operationelle systemer, såsom ERP- og MES-systemer samt SCADA, som udfører deres egne veldefinerede roller inden for virksomhedens IT-arkitektur. Alligevel siger Matti Partanen fra Etteplan, at virksomhederne går glip af muligheder for at gøre operationelle data anvendelige, udlede forretningsværdi og blive mere data- og AI-drevet på samme tid. AI-pilotprojekter er sat i gang, men kun få løsninger ender i produktion. Hvad er den rigtige vej frem?

Energi- og forsyningssektoren står over for stigende kompleksitet, lovgivningsmæssige krav og stigende forventninger til pålidelighed og effektivitet. Fra styring af distribuerede energisystemer til vedligeholdelse af kritisk vandinfrastruktur er ydeevne og omkostningskontrol konstante udfordringer. Når de understøttes af data af høj kvalitet, muliggør AI-teknologier som machine learning og avanceret analyse forebyggende vedligeholdelse, efterspørgselsprognoser, intelligent aktivstyring og meget mere. Disse muligheder udgør en effektiv vej til at forbedre effektiviteten, reducere risikoen og frigøre ny værdi på tværs af driften, siger Artur Mroczkowski fra Etteplan.

F&U-enheder i industrivirksomheder står over for stigende pres for at finde nye måder at forbedre forretningsresultaterne på – jo hurtigere, jo bedre. Det kommer ikke som nogen overraskelse, at kunstig intelligens (AI) er et varmt emne på grund af dens lovning om at forbedre effektiviteten. Men hvad er de andre nøgletrends inden for industriel F&U? 

Kunstig intelligens (AI) er ikke ny i fremstillingsindustrien – mange virksomheder har udnyttet AI og maskinlæring i over to årtier. Nu lover generativ AI at gøre endnu mere, hvilket har vakt interesse for industriel forskning og udvikling (R&D). 

I det hurtige forretningsmiljø i dag er virksomheder under konstant pres for at innovere, strømline deres operationer og hurtigt tilpasse sig ændrede markedsforhold. Outsourcing af R&D er blevet en nøglestrategi, der giver mange fordele og forbedrede kapaciteter. Men hvordan vil AI påvirke R&D i de kommende år, og hvorfor er modulært design den vindende tilgang bag succesfuld outsourcing?

I industriel automatisering har udstyr altid været tæt koblet til lukket og proprietær software. En ny æra for softwaredrevet automatisering (SDA) og hardware-agnostik er ved at begynde, hvor applikationer og hardware afkobles fra hinanden. Dette betyder en væsentlig transformation, der gavner både udviklere og ejere af automatiseringssystemer.

At begynde overgangen fra manuelle eller simple opsætninger til et avanceret, automatiseret system kan virke intimiderende i første omgang. Dog gør de grundlæggende principper for DevOps, som tilskynder til teamwork, omfavner automatisering, sikrer kontinuerlig levering og faciliterer hurtige feedbackloops, overgangen til software-drevet automatisering (SDA) meget nemmere. Dette indlæg fungerer som din venlige guide til at forstå SDA ud fra et DevOps-perspektiv, præsenteret i et let forståeligt sprog for alle. Lad os dykke ned i de praktiske trin, som kan transformere, hvordan teams interagerer med automatisering.

I fremstillingsindustrien vinder model-baseret design mere og mere popularitet i R&D. Det gør udviklingen hurtigere, mere robust og iterativ ved automatisk kodegeneration og næsten ingen behov for fysiske enheder. Testcyklussen kan forkortes betydeligt.