แนะนำ 4 ตัวอย่างการใช้งาน IoT สำหรับภาคอุตสาหกรรมโดยใช้บริการจาก AWS

บทความนี้เนื้อส่วนใหญ่นำมาจากบทความภาษาญี่ปุ่น ผู้เขียนคือคุณ Yoshim บริษัท Classmethod, Inc. ในหัวข้อ 【レポート】産業分野で利用できるAWSのIoTサービスと活用方法(AWS-12) #AWSSummit การอธิบายเพื่อให้เข้าใจง่ายขึ้นจะทำให้แตกต่างจากต้นฉบับในบางจุด

IoT ด้านอุตสาหกรรม

การปรับใช้เทคโนโลยีดิจิทัล (Digital Transformation) เข้ากับอุตสาหกรรมเครื่องจักรสำหรับครื่องจักรขนาดใหญ่ เช่น อุตสาหกรรมการเกษตร การขนส่ง เหมืองแร่ และพลังงาน

ตัวอย่างการใช้งาน IoT และคลาวด์ในภาคอุตสาหกรรม

มีเทคโนโลยี IoT หลากหลายอย่างที่สามารถใช่ร่วมกับเครื่องจักรได้โดยในบทความนี้จะมาแนะนำ 4 ตัวอย่างดังต่อไปนี้
1. แสดงสถานะของเครื่องจักรเป็นภาพ (Visualization)
2. พัฒนาธุรกิจด้วยการวิเคราะห์
3. บำรุงรักษาเครื่องจักรด้วยการพยากรณ์ และคาดการณ์คุณภาพ
4. ตรวจสอบภายนอก และวิเคราห์ภาพ

โดยจะอธิบายละเอียดขึ้นตามด้านล่างนี้

1. แสดงสถานะข้อมูลของเครื่องจักรให้เป็นภาพ (Visualization)

• จัดการข้อมูลจากการตรวจสอบก่อนหน้าบนอุปกรณ์ในระบบคลาวด์จากส่วนกลางทำให้สามารถแสดงรายการ และเปรียบเทียบข้อมูลได้
• สามารถแจ้งเตือนเพื่อขับเคลื่อนธุรกิจด้วยกิจกรรมต่าง ๆ ด้วย Data driven และ Event driven
• คลาวด์ใช้งานได้อย่างยืดหยุ่นแม้ว่าปริมาณข้อมูลที่รวบรวมมาจะเพิ่มมากขึ้น

2. พัฒนาธุรกิจด้วยการวิเคราะห์

• รวบรวมและวิเคราะห์ข้อมูลประเภทต่าง ๆ ได้ใน Data Lake เพื่อให้เราได้รับข้อมูลใหม่ ๆ เช่น เมื่อมีปัญหาบางอย่างเกิดขึ้นจะมีการคาดการณ์ว่าจะมีปัญหาในส่วนอื่น ๆ อีกหรือไม่

• การจัดเก็บข้อมูลจำนวนมากบนคลาวด์เป็นเรื่องที่จำเป็น โดยถ้าเราใช้คลาวด์จะสามารถใช้พื้นที่เก็บข้อมูลที่มีความจุแบบไม่จำกัด เชื่อมต่อด้วยความเร็วสูง และมีบริการที่หลากหลาย ลูกค้าจึงสามารถใช้งาน Data Lake ได้ด้วยต้นทุนที่ต่ำเพราะจ่ายเงินแบบ Pay as You Go (ใช้เท่าไหร่จ่ายเท่านั้น)

3. ซ่อมบำรุงเครื่องจักรด้วยการพยากรณ์ และการคาดการณ์คุณภาพ

• สามารถพยากรณ์เครื่องจักรก่อนที่จะเสียหรือจะมีปัญหาเกิดขึ้นทำให้เราสามารถซ่อมบำรุงและเตรียมความพร้อมเครื่องจักรได้ก่อนที่จะเสีย
　　‣　สามารถทำได้โดยการสรุปข้อมูลจากข้อมูลการทำงานและตัวเซ็นเซอร์จากเครื่องจักร

• จำเป็นต้องจัดเก็บข้อมูลจำนวนมากแล้วนำมาวิเคราะห์
　　‣　คลาวด์เหมาะที่จะทำให้ลูกค้าจัดหา resource ได้ตามที่ต้องการและตามความเหมาะสม

4. การตรวจสอบภายนอก และวิเคราะห์ภาพ

• คล้ายคลึงกับ “ซ่อมบำรุงเครื่องจักรด้วยการพยากรณ์ และการคาดการณ์คุณภาพ” ต่ในบริการนี้จะเป็นการจัดการโดยใช้ข้อมูลรูปภาพ

• ใช้ประโยชน์จาก Machine Learning

สามารถทำได้โดยการกำหนดค่า Hybrid Cloud และ Edge

• จากกรณีศึกษาด้านบนเป็นเรื่องยากที่จะใช้งานคลาวด์อย่างเดียว ดังนั้นจำเป็นต้องมีการออกแบบและการสนับสนุนในด้านเครื่องจักร (Edge)

• เพราะฉะนั้นฟังก์ชันที่จำเป็นสำหรับแต่ละเคสคือ แบ่งกันเป็นในฝั่ง Edge และฝั่งคลาวด์

• การแบ่งหน้าที่แต่ละฝั่งสิ่งที่สำคัญคือ ต้องจัดเตรียมฟังก์ชันที่ใช้ประโยชน์จากคุณลักษณะเฉพาะ
　　‣ การจัดการกับคุณลักษณะเฉพาะกับสถานที่นั้น เช่น การเชื่อมต่อกับเครื่องจักรอุตสาหกรรม การเก็บข้อมูล การกรอง การคำนวณข้อมูล การประมวลผลด้วยความแฝงต่ำในสภาพแวดล้อมกับสถานที่นั้น และการทำงานอัตโนมัติในกรณีที่เครือข่ายขัดข้อง
　　‣ การประมวลผลขนาดใหญ่หรือความจุในการจัดเก็บข้อมูลจะดำเนินการในระบบคลาวด์ เช่น การจัดเก็บข้อมูลระยะยาว การวิเคราะห์ข้อมูล การแสดงเป็นภาพ และใช้ Machine Learning ในการเรียนรู้ข้อมูล

ขั้นตอนและการกำหนดค่าสำหรับทำข้อมูลเป็นภาพของเครื่องจักรอุตสาหกรรม

• ขั้นตอนพื้นฐานของประมวลผล
　　‣ ติดตั้งอุปกรณ์ Gateway ในพื้นที่นั้น และ Gateway นั้นเชื่อมต่อกับเครื่องจักรอุตสาหกรรมต่าง ๆ เพื่อทำการรวบรวมข้อมูล และส่งข้อมูลไปยังคลาวด์
　　‣ คลาวด์จะรับข้อมูลและประมวลผลข้อมูล แสดงเป็นภาพ แจ้งตือน และอื่น ๆ

• การประยุกต์ใช้กับบริการของ AWS
　　‣ ติดตั้ง 'AWS IoT Greengrass' ที่ Gateway เพื่อแปลง protocol และเชื่อมต่อกับเครื่องจักรอุตสาหกรรม และรับ-ส่งข้อความจากระบบคลาวด์
　　‣ คลาวด์รับข้อมูลจากอุปกรณ์ที่มี 'AWS IoT Core' และ 'AWS IoT SiteWise'

• คลาวด์มีเครื่องมือที่สามารถทำเป็นภาพได้ ตรวจจับได้ และแจ้งเตือนได้โดยมีเครื่องมือดังนี้
AWS IoT SIteWise Monitor, Amazon OpenSearch Service, Amazon Managed Grafana, Amazon QuickSight

• AWS IoT Greengrass
　　‣ ซอฟต์แวร์และบริการที่ AWS มอบให้คือ การติดตั้งและใช้งานบนอุปกรณ์ Edge
　　‣ โดยการเชื่อมต่ออุปกรณ์ที่ติดตั้งเข้ากับเครื่องจักรอุตสาหกรรมจะสามารถทำให้ประมวลผล Edge พื้นฐานได้
　　‣ เนื่องจากการเชื่อมต่อเครื่องจักรอุตสาหกรรมทีละเครื่องเข้ากับอินเทอร์เน็ตเป็นเรื่องยาก ดังนั้นการติด Gateway กับฝั่ง Edge ที่เป็นการใส่ฟังก์ชันภายนอกเข้ามาจึงสามารถใช้เป็นตัวกลางระหว่างคลาวด์ได้

• AWS IoT SiteWise
　　‣ การใช้ข้อมูลที่รับมาจาก Edge จำเป็นต้องมีการประมวลผลต่าง ๆ (เช่น การจัดโครงสร้าง) ดังนั้นจึงมีให้บริการฟังก์ชันที่จำเป็นต้องใช้งาน
　　‣ ตามหลักการแล้วจะส่งข้อมูลฝั่ง Edge ที่จำเป็นเท่านั้นไปยังคลาวด์โดยใช้เครื่องมือ 'SiteWise Edge' ที่สามารถสร้างแบบจำลองข้อมูล การกรอง และการคำนวณได้ เช่น ข้อมูลที่ไม่เหมาะสำหรับการแสดงเป็นภาพและไม่เหมาะกับการใช้งานจะสิ้นเปลืองเพราะต้องเสียเงินในการส่ง

ขั้นตอนและการกำหนดค่าสำหรับการพัฒนาธุรกิจจากการรวบรวม และวิเคราะห์ข้อมูล

• จำเป็นในการรวบรวม ประมวลผล และจัดเก็บข้อมูล
• นอกจากนี้การเชื่อมต่อข้อมูลและต้นทุนก็มีความสำคัญเช่นกัน

• การประยุกต์ใช้กับบริการของ AWS
　　‣ ติดตั้ง‘AWS IoT Greengrass' ที่ Gateway เพื่อแปลง protocol และเชื่อมต่อกับเครื่องจักรอุตสาหกรรม และรับ-ส่งข้อความจากระบบคลาวด์
　　‣ คลาวด์รับข้อมูลจากอุปกรณ์ที่มี‘AWS IoT Core’ และ ‘AWS IoT SiteWise’
　　‣ คลาวด์วิเคราะห์ข้อมูลและทำการประมวลผลด้วย ‘AWS IoT Analytics’ รวบรวมข้อมูลและเป็นศูนย์กลางสำหรับเชื่อมต่อกับแต่ละบริการด้วย ‘Amazon S3’

• AWS IoT Analytics
　　‣ บริการที่สามารถประมวลผลและวิเคราะห์ข้อมูล IoT ได้ง่าย ๆ
　　‣ ไม่นับ ‘ข้อมูลที่ผิดปกติ’ และ ‘ข้อมูลที่ไม่ถูกต้อง’ที่รวมอยู่ในข้อมูลที่ถูกส่งจาก Edge และเพื่อทำให้ข้อมูลสมบูรณ์มากขึ้นโดยการเพิ่มข้อมูลจากแหล่งข้อมูลภายนอก

• Amazon S3
　　‣ AWS มีให้บริการ Object storage

ขั้นตอนและการกำหนดค่าสำหรับการซ่อมบำรุงเครื่องจักรด้วยการพยากรณ์ และคาดการณ์คุณภาพ

• การวิเคราะห์ด้วยคลาวด์จะมีประสิทธิภาพมากกว่าที่เคย
• กรณีที่จำเป็นจะใช้ Machine Learning เพื่อเรียนรู้ด้วยคลาวด์
• หากจำเป็นที่จะต้องดำเนินการประมวลผลอนุมานด้วยความแฝงต่ำจำเป็นที่ต้องปรับใช้กับโมเดล Edge

• การประยุกต์ใช้กับบริการของ AWS
　　‣ ติดตั้ง "AWS IoT Greengrass" ที่ Gateway เพื่อแปลง protocolและเชื่อมต่อกับเครื่องจักรอุตสาหกรรม และรับ-ส่งข้อความจากระบบคลาวด์ ในบางกรณี รับและใช้โมเดลที่เรียนรู้ด้วย 'Amazon SageMaker'
　　‣ คลาวด์ใช้ ‘Amazon Lookout for Equipment’ และ ‘Amazon SageMaker’ เพื่อทำ Machine Learning

• Amazon Lookout for Equipment
　　‣ ใช้ Machine Learning เพื่อตรวจจับความผิดปกติของเครื่องจักรจากข้อมูลเซ็นเซอร์
　　‣ สามารถใช้งานได้แม้ไม่มีความรู้ด้าน Machine Learning

• Amazon SageMaker
　　‣ ชุดเครื่องมือเพื่อพัฒนาโปรเจค Machine Learning ให้มีประสิทธิภาพ
　　‣ ถ่ายโอนโมเดลที่ออกมาไปที่ Edge และสามารถประมวลผลแบบอนุมานได้ด้วย Edge

• AWS IoT Greengrass ML Inference
　　‣ รับโมเดลสำหรับการเรียนรู้ด้วย SageMaker และดำเนินการประมวลผลแบบอนุมานด้วย Edge
　　‣ การประมวลผลแบบอนุมานด้วย Edge จะสามารถปฏิบัติตามกฎระเบียบและความเป็นส่วนตัว ประหยัด Bandwidth และความแฝงต่ำ

ขั้นตอนและการกำหนดค่าสำหรับการตรวจสอบภายนอก และวิเคราะห์ภาพ

• ขั้นตอนคล้ายกับ "การซ่อมบำรุงเครื่องจักรด้วยการพยากรณ์ และคาดการณ์คุณภาพ" แต่จุดที่แตกต่างกันคือ "ข้อมูลที่ใช้เป็นรูปภาพ"

• การประยุกต์ใช้กับบริการของ AWS
　　‣ ติดตั้ง ‘AWS IoT Greengrass’ ที่ Gateway เพื่อจับภาพแล้วส่งไปที่คลาวด์ ในบางกรณีเรายังได้รับและใช้โมเดลที่เรียนรู้จาก ‘Amazon Lookout for Vision’ และ ‘Amazon SageMaker’ อีกด้วย
　　‣ ฝั่งของคลาวด์จะรับข้อมูลที่เป็นภาพและเก็บไว้ที่ “Amazon S3” และเรียนรู้โมเดล Machine Learning ด้วย ‘Amazon Lookout for Vision’ และ ‘Amazon SageMaker’ และการติดป้ายกำกับข้อมูลด้วย Amazon SageMaker Ground Truth

• Amazon Lookout for Vision
　　‣ บริการที่ช่วยตรวจความผิดปกติของผลิตภัณฑ์ด้วยภาพในต้นทุนที่ต่ำด้วยกระบวนการตรวจสอบคุณภาพสินค้าแบบอัตโนมัติ
　　‣ บริการดำเนินการขั้นตอนต่าง ๆ โดยใช้ GUI เพื่อแจ้งเตือนความผิดปกติจากภาพ

สรุป

• บทความนี้แนะนำ 4 ตัวอย่างการใช้งาน IoT
• แนะนำบริการ AWS เพื่อที่สามารถนำไปใช้ได้จริงพร้อมแนะนำวิธีใช้งาน

ความคิดเห็น

หลังจากที่บทความนี้ได้แนะนำ 4 ตัวอย่างของการใช้งาน IoT และตัวอย่างการกำหนดค่าของเครื่องมือ AWS
คาดว่าผู้อ่านหลาย ๆ ท่านเริ่มเล็งเห็นถึงความสำคัญของ Digital Transformation ผ่านการใช้งาน IoT และ AWS เข้ากับอุตสาหกรรมต่าง ๆ ได้หลากหลายแขนงที่จะช่วยให้องค์กรของท่านดำเนินธุรกิจเข้าสู่ยุคดิจิทัลที่สามารถดูข้อมูลจากเครื่องจักรเป็นภาพได้ (Visualization) และการคาดการณ์เครื่องจักรก่อนที่เสีย รวมถึงการวิเคราะห์

สิ่งเหล่านี้ผู้เขียนเชื่อว่าจะเป็น 1 ในวิธีการที่จะช่วยให้ธุรกิจและอุตสาหกรรมพัฒนาต่อไปได้ท่ามกลางความเปลี่ยนแปลง การแข่งขัน และการเติบโตอย่างรวดเร็วของยุคดิจิทัลนี้

ในส่วนนี้ถ้าท่านใดต้องการปรึกษากับเราเพื่อใช้งาน AWS IoT ก็สามารถติดต่อเราเข้ามาได้ ติดต่อเรา