あなたの会社のデジタル・インテリジェンスは、取り残されて非生産的になっていませんか？堅牢な情報/データの「足場」は、組織全体のデータと知識の流れを効率的に解き放ちます。
企業は、表1.1に示すような長期的な大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る。1デジタル変革は、基本的に（さまざまな形式の）データの流れをオープンにし、複数のソースを遠隔地や現場のユーザーに接続する。先進的なアーキテクチャー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はより速くなった。その結果、業務データと市場データはビジネス資産となり、価値を持つ。情報への迅速なアクセスが最終的な目的である。多くの企業はこう答えなければならない：組織全体のデータフローと情報可用性 (IA)をサポートする最適な足場（プラットフォーム）は用意されているだろうか？
すべてのデータが同じではない
加工業や製造業では、大量のデータが蓄積されていますが、それらを有用な情報に変換することに苦労しています。デジタル化プロジェクトは、アナリティクスを改善し、予測機能を提供すること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）の活用が含まれます。これらの手法には、大量の質の高いデータリソースが必要です。
表1.デジタルプロジェクトの投資目的1
| 安全性 | ゼロアクシデント |
| 持続可能性 | ゼロ 重要なイベントまたはリリース |
| 可用性/信頼性 | ゼロダウンタイム/オペレーションの中断 |
| ファイナンス | ゼロ・ロス・プロフィット |
表2.データに関する主な懸念事項
- データの不足または不十分
- データベースへのアクセスがない、または制限されている
- 壊れたデータ
- データの欠落/不完全性
- データソース間のフォーマットやタグが間違っている（欠けている）。
- 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、オペレーションの信頼性向上と安全性／環境パフォーマンスの改善によって測定される（表1）。成功は、可用性 、有効なデータの量と、組織全体のインテリジェンスの流れによってコントロールされる。すべてのデータが同じではありません。表2は、プラントや設備のデータに関する多くの懸念をまとめたものである。特に先進的なツール（AIやML）の場合、これらの問題は最高のアルゴリズムでさえも頓挫させる可能性がある。
データソースはどこですか？
測定値（タイムスタンプデータ）は、長年にわたって収集されています。図1は、処理施設に共通する意思決定の方法を示しています。図2に示すように、生産/操作/機器のデータはしばしば閉ループで流れ、その結果、データベースと情報のサイロが形成されます。表1の目標を達成するためには、必要なデータが多くのソース（歴史家）にあり、それらはしばしば接続されていない。
デジタルプロジェクトでは、より高度な分析（AI、ML、PdM、ビッグデータ）を行うためにIAが必要となります。2 データプラットフォームやアーキテクチャは、足場となるものです。データプラットフォームやアーキテクチャは、データや情報の収集、保存、分析、そして特定のユーザー（ローカルおよびリモート）との共有をサポートします。これにより、垂直方向、水平方向を問わず、様々な方向からの情報共有サービスを迅速に行うことができます。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ます。データはどこからでも取得できるようになりました。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は、プロセス機器や機械の監視と自動化に利用できるようになります。4 デジタル変換により、データプロバイダーと監視・分析機能が接続されます。この関係は、インテリジェントなエッジ コンピューティング を含む新しい開発によって常に変化しています。先進的なエッジ デバイスは、PC と同レベルの分析機能を備えています。4 事前分析機能があれば、データセンターのアクションを必要とせず、デバイスレベルで重要なアクションを開始することができま す。
資本として使われるデータ
ビジネス資産としてのデータを管理するには、データや情報の収集方法や共有方法を評価する必要があります。表2によると、データ管理に不備があると、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意思決定にデータ情報を利用する際の信頼性が損なわれます。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となります。エネルギー企業は、1990年代以降、自動化/制御システムに投資してきました。分析・最適化プロジェクトのためのIA設計では、既存システムの統合と更新が不可欠です。
データプロジェクトは複雑です。データに関するその他の問題は以下の通りです：5
- データの充足性-アナリティクスプロジェクトに必要なデータ量はどれくらいか？
- データの信頼性-計測器の校正や偏りは、計測データの精度や信頼性に影響を与えます。また、データを生成する機器のメンテナンスが不十分だと、誤差が生じます。
- データの伝播-プロセスや機器の変化が記録されるまでにどのくらいの時間がかかるか？開始イベントと故障状態の間にはどのようなギャップがあるか？
- データガバナンス-データの所有権に対処しなければならない。自動化されたデータは上書きや変更が可能か？データソースは外部からの攻撃から保護されているか？
データの保存、共有、利用の関係は進化し続けています。事業会社や製造会社は、リアクティブな立場からプロアクティブな立場へと移行しています。データは、投資して利用しなければならない知識通貨です。IAは、知識、コンテンツ、データの足場を組織に提供します。同様に重要なのは、IAが組織全体のAIとビッグデータ分析をサポートすることです（図3）。3 AIのアルゴリズムはIAを必要としないかもしれませんが、結果を適用することは必要です。2
引用文献
1White, Douglas, “Digital transformation in refining and petrochemical plant operations:Looking back, look forward,” AFPM 2020 Summit, Summit 20-63, August 27, 2020, emerson.com.
2Earley, Seth, “Streamlining information flows in the digital workplace:The role of artificial and knowledge engineering,” Digital Workforce Experience, October 14, 2020, https://www.earley.com/.
3Perino, Joe, “エッジ コンピューティング in the new ecosystem,” August 2020,https://resource.stratus.com/whitepaper/エッジ-computing-in-the-new-ot–ecosystem/.
4Eastburn, Josh, “Building Industrial IoT fromエッジ to cloud,” Automation 2020, vol. 4,https://www.automation.com/getmedia/8c645082-44f0-47b6-81db-c7b6f60ac1a4/automation2020_aug_cloud_engineering.pdf.
5KBC, “Digitalization Manifesto“, https://www.kbc.global/uploads/files/whitepapers/KBC%20Digitalization%20Manifesto_US.pdf.
