Skrevet av: Myselie Nguyen
Aldri før har data vært så tilgjengelig som den er nå. Sensorteknologien har kommet så langt at de kan bli bitte små. Derfor kan man putte sensorteknologi så og si overalt og hente ut ulike data. Dermed kan enkle produkter også bli en del av IoT-nettverket.
Et godt eksempel på dette er armbåndsuret. Før brukte vi den kun til å følge med på tiden. Sensorteknologien gir den nå flere uante muligheter: Vi kan måle pulsen, se søvnkvaliteten vår, hvordan været blir, lese e-poster til og med betale i kassen. Det er bare fantasien som setter en stopper.
I 2021 var det mer enn 10 billioner aktive IoT produkter. Det er estimert at det vil bli over 25.4 billioner innen 20301. Mer enn en dobling av tilgjengelig data på under ti år! Men hva er verdien i all disse dataene?
Sett dataene i system
Når billioner av data flyter rundt, gir den ikke merverdi. Først når dataene samles i én plattform, og presenteres i enkle former, ser man det helhetlige bildet. Da blir det enklere å fatte tiltak når du ser hele situasjonen. Ved å presentere dataene mer oversiktlig, vil vi få mer ut av dataene.
La oss ta et eksempel fra kraftverdenen, nemlig temperaturen i trafoen i nettstasjonen. Bildet under gir en grafisk fremvisning av trafotemperaturen til to ulike trafoer i samme nettstasjon. I tillegg viser den rom-og utetemperaturen. Her kan man lett se at trafotemperaturen økte da romtemperaturen steg.
Man kan dermed raskt se at temperaturøkningen i trafoen ikke skyldtes en feil med selve trafoen. Det var miljøet rundt som forårsaket temperaturstigningen
Grafisk fremvisning av trafotemperaturen til to ulike trafoer i samme nettstasjon. Som også viser rom-og utetemperaturen
Med andre ord:
- Ved å grafisk se data sammen med andre data – eksempelvis ute- og romtemperatur i samme graf – blir det enklere å fatte konklusjoner.
- Dersom man hadde fått dataen gjennom en tabell, er det vanskeligere for det blotte øye å se sammenhengen. Ved å visualisere data gjennom blant annet grafer får man raskere oversikt.
Mer data kan gi økt effektivisering, men også hodebry
Ved å eksempelvis få dataene presentert i både sanntid og gjennom et historisk perspektiv får du et bedre beslutningsgrunnlag, og dermed mer ut av ressursene dine.
Samtidig må vi bevege oss vekk fra å jobbe i siloer. Dataene vi samler inn bør benyttes til sitt fulle potensiale for å sikre mer effektiv drift på tvers av bransjer. Ved å bryte ned tradisjonelle siloer kan vi koordinere oss bedre, og få innsikt som vil hjelpe alle parter.
For å sikre effektiv drift må du raskt kunne se endringer
Med et godt datagrunnlag kan du gå fra å gjøre reaktive til proaktive handlinger.
Du vil i større grad kunne forutse hvor det er behov for utbedringer, og raskt se hvor utfordringene ligger med gode grafiske fremvisninger, historiske data og sanntidsoppdateringer.
Dette er avgjørende for å sikre effektiv drift.
Hvor går veien videre?
Maskinlæring handler om databehandling, og jo mer data den får jo bedre beslutningsgrunnlag har maskinlæringen. Derfor er det viktig å dra utviklingen i retningen hvor siloene brytes ned. Jobbe mot en fremtid hvor dataene kan deles på tvers av ulike avdelinger, bedrifter og til og med bransjer.
Her kan du lese om – Quant Insight Analyse av IoT- og måler-data for energiselskap