Blog

Con la data monetization – la monetizzazione dei dati, ovvero il processo di analisi strategica e di implementazione pratica che consente di utilizzare i dati come fonte di ricavo – le aziende possono trasformare i dati raccolti in valore monetizzabile esattamente come per gli altri beni. Di fatto, la data monetization diventa una strategia che permette alle imprese di recuperare in modo virtuoso gli investimenti effettuati su infrastrutture, sistemi e piattaforme IoT e IIoT, accelerando il loro percorso evolutivo e disegnando nuovi scenari di business.  

La big data monetization – letteralmente, la monetizzazione dei dati, ovvero il processo di analisi strategica e di implementazione pratica che consente di utilizzare i dati come fonte di ricavo – è uno degli obiettivi più premianti per ogni azienda che voglia intraprendere il virtuoso percorso di impresa data-driven. Ma il suo raggiungimento può essere ostacolato non solo da una errata interpretazione dei dati già a disposizione ma, soprattutto, dalla mancanza di investimenti corretti nelle tecnologie emergenti.

L’edge computing potenziato dall’AI ha innumerevoli applicazioni. Approfondiamo l’impatto positivo per l’analisi dei dati e la loro valorizzazione in azienda.

Il cloud computing consente di tagliare fortemente i costi dei data center, permettendo di accedere a risorse di storage e potenza di calcolo virtualmente illimitate e disponibili on demand. Ma non tutte le applicazioni sono adatte alle soluzioni cloud, che presenta diverse criticità legate alla latenza e all’affidabilità delle connessioni. Ecco perché in questi casi è di gran lunga preferibile l’edge computing, ovvero il sistema capace di elaborare le informazioni sul dispositivo dove sono generate, eliminando il problema sia dei trasferimenti di dati che quello della latenza. Ancora meglio, se l’edge computing si combina con l’AI.

Today’s digital-first businesses and consumers are generating unprecedented volumes of data from devices and systems unimaginable just a decade ago—and this data needs to be captured and leveraged in real time for a growing array of use cases emerging at the edge. Take, for example, medical imaging data requiring realtime processing and display to aid in patient care and machine vision applications whereby high-resolution smart cameras must transfer data immediately to drive manufacturing robotics. Also consider the vast amounts of data generated by public sector systems located in avionics, on submarines, or at field bases that require real-time analysis for decision-making. 

Perché un’impresa manifatturiera oggi, così come qualsiasi altra organizzazione, dovrebbe intraprendere un percorso di trasformazione data-driven? Nel 2020, una ricerca condotta da Statista ha misurato un aumento del 12%, rispetto al 2018, nell’adozione del data-driven approach a livello globale nel processo decisionale. Ecco che cosa spinge questo cambiamento.

Edge computing solutions in industrial settings are poised for rapid growth and innovation, driven by the need for real-time insights and localized action. I&O leaders must tread cautiously as vendors begin to collaborate and provide solutions based on temporary and opportunistic alliances.

SECO is named among the Representative Edge Computing Vendors focused on Industrial IoT.

In this paper we propose a retrofitting methodology based on Design Thinking in a steel mill plant, and highlight how the retrofitting activity is important to allow even more companies to migrate to Industry 4.0, reducing the gap between SMEs and Large Industries for participation in the 4th Industrial Revolution.

In the paper we present the design and development of the Machine Learning (ML) modules for two case studies. In both cases we developed a ML model to learn the system’s normal behavior so to identify whichever abnormal condition may arise. Such a framework is usually referred to as Anomaly Detection (also known as Fault Detection or Novelty Detection). Our models succeeded at identifying the injected anomalies. In addition, no anomalies were observed when the model was fed with normal data. The results are discussed considering the trade-off between type of sensors, learning algorithm, training effort, computational demands.

As connectivity and flexibility requirements continue to drive performance demands in embedded edge computers and servers, industries are poised to take advantage. Factories and logistics firms are streamlining their production lines with greater precision using robotics. Hospitals are accelerating medical imaging appliances like ultrasound with AI capabilities.

Public sector and aerospace are also ramping up AI image recognition, event analysis, and security use cases to come up with exciting new efficiency models to improve quality of life in cities.

Performance is driving a new wave of creativity and innovation, and both computing modules and processors need to keep pace through enhanced flexibility.

Maximum degree of automation, more flexibility in production, significantly lower personnel resources: innovative industrial companies hope for a prosperous future through Artificial Intelligence and Machine Learning.
And that is not all: PwC‘s consultants have
found out that such technologies are an
obligatory exercise in staying competitive.