En la primera parte de este post TRABAJAR CON LOS DATOS 4.0 , me centré en resaltar la importancia estratégica del uso de los datos en las organizaciones, como uno de sus pilares de transformación.

En esta segunda parte, profundizaré en el concepto de plataforma, y analizaremos los requisitos más técnicos que debe cubrir, para responder a las necesidades del negocio, cubriendo con todo lo que se espera de una plataforma de estas características en seguridad, rendimiento, escalabilidad, innovación, calidad, evolución, gobierno, industrialización, y por supuesto, en coste.

En el mercado, nos encontramos gran cantidad de plataformas, soluciones y herramientas, algunas de ellas facilitan enormemente el desarrollo de los primeros casos de innovación, para empezar a ver el valor en el desarrollo de casos de uso relacionados con los datos. Un error habitual, es pensar que una plataforma de datos, es sólo un Business Intelligence, por ejemplo, o que tener una solución para hacer experimentos de Machine Learning es tener una plataforma completa de AI. Tenemos que pensar un poco a futuro, ver dónde nos gustaría llegar, y entender qué problemas nos vamos a encontrar más adelante cuando de verdad mi plataforma sea una realidad.

Aquí lanzo la primera pregunta, ¿La plataforma de datos de los casos industriales debe ser distintas de la del resto de la organización?

Esta cuestión tiene una difícil respuesta, y seguro que levanta ampollas porque muchas veces esta decisión puede hacer que las decisiones se ralenticen y que se tengan que involucrar distintos departamentos de la organización, lo que complica la toma de decisiones. Igual con otra pregunta ayudo a resolverla.

¿Qué ventajas tendríamos?

Para empezar, seguro que hay casos de uso cross dentro de la organización que requieren de datos de distintas áreas: ERP, MES, SCADA, GMAO, CRM, SGA, etc.., muchos de los componentes de la plataforma para resolver los casos de uso, pueden ser los mismos lo que habilita un ahorro de coste, un aprovechamiento del talento y la experiencia ganada, mantenimiento, evolución de la plataforma, etc… En fin, son muchas las ventajas.

¿Cómo hago para que los inconvenientes no me frenen mí aspiración de plataforma?

El desarrollo de este tipo de soluciones en una organización debe venir secundada a nivel estratégico para estar todos los departamentos implicados alineados. Esto es primordial. Y como proyecto estratégico deberá tener un seguimiento desde lo más alto para garantizar que se cumplen con los objetivos y que se dan respuesta a los problemas por parte de los implicados.

Y el punto número dos, la manera de ejecutar este tipo de proyectos debe ser en un modelo agile, no intentar tener desde el minuto 0 una plataforma para todos los departamentos y para todos los casos de uso, sino que se debe empezar por construir las partes más fundacionales que luego explicaré, se deben priorizar los casos de uso, y poco a poco, ir preparando los distintos componentes que irán creciendo en funcionalidad según se vayan implementando nuevos casos de uso.

Pero si de verdad, la estrategia de la compañía apunta en esta línea, y pensamos en una industrialización de la plataforma que cubra los escenarios de Advanced Analytics & AI, deberemos pensar en una plataforma que de base nos dé garantías de cara a la operacionalización y que cubra todos los aspectos de una manera holística, y que al mismo tiempo sea abierta, facilitando la combinación de distintas soluciones en el caso de que se requiera.

En el siguiente gráfico, se muestran los distintos bloques que debe contemplar la plataforma a nivel técnico para cubrir las necesidades que vengan demandadas por los negocios:

• Internet of Things: En el sector industrial esta pieza es clave, para poder ingestar la información de campo. Normalmente, vamos a realizar la interconexión entre ambos mundos con algún concentrador, ya sea un servidor OPC, un sistema SCADA o mediante un Edge que se encargue de recopilar la información aguas abajo y subirla a la nube. Para todo ello, la plataforma de datos debe ser capaz de:
  • Ingestar de forma segura, la información proveniente de dispositivos o Edges que están en campo.
  • Al mismo tiempo, deberá habilitar una gestión de forma centralizada de todos los dispositivos dispersos y permitir una comunicación bidireccional en el caso de que sea necesario bajar comandos de control aguas abajo.
  • Tener capacidades de data sensing, remote sensing, y de gestión de eventos durante esta ingesta de los datos. La calidad de los datos es algo crucial en este tipo de soluciones.
  • Es importante destacar que desde el Edge se puedan ejecutar funciones inteligentes que has sido programas o entrenadas desde la propia plataforma cloud. Esto es muy relevante, ya que nos permite entrenar un modelo de Machine Learning en el Cloud que ha sido entrenado con grandes volúmenes de datos, y posteriormente una vez que ya está con unos niveles de precisión suficientes, se puede desplegar a nivel de máquina.

• Data Platform: conectar/integrar orígenes de datos externos e internos de forma segura y de fácil acceso. En este bloque nos referimos principalmente al Datalake, pero también nos encontraremos con los datos que recibimos en stream, los open data sets y los data sources. Nuestra plataforma debe proveer unas capacidades mínimas fundacionales para poder empezar a trabajar con garantías:
  • Data Catalog: Mapeo de los datos de la organización para poder encontrar los datos cuando se precise
  • Quality: Definición de la calidad y crear los procesos que aseguren la calidad de los datos para el negocio
  • Profiling: Conectar los datos con el contexto/semántica de negocio

• Data & Business Intelligence Services: La plataforma debe permitir el acceso a la información a los distintos stakeholders de la organización. Los cuadros de mandos/Dashboards que se generan deben ser accesibles por otros departamentos en el caso de que así se requiera. Las características de este bloque son:
  • Acceso a las métricas de negocio
  • Habilitar la transparencia
  • Servir los datos y las conclusiones en contexto de negocio
  • Habilitar el uso a los usuarios de negocio

• AI Services: La IA se compone de muchas áreas y disciplinas diferentes, sin embargo, si nos centramos en las capacidades críticas de una organización impulsada por la inteligencia, comenzamos por analizar el análisis predictivo, que es una extensión natural de la inteligencia empresarial y, para muchas organizaciones, el primer paso hacia la IA. Una de las capacidades básicas de la IA es el aprendizaje automático, ya que permite la identificación de patrones en los datos y la creación de modelos reutilizables para automatizar la lógica de negocios. Es importante que las distintas empresas dispongan de la capacidad de crear modelos personalizados o de usar modelos previamente entrenados, a los que se les conoce como servicios cognitivos.

Este último punto es muy relevante, ya que nos permite introducir funcionalidad avanzada en las aplicaciones de una manera muy rápida. Por ejemplo, detección de anomalías o sistemas inteligentes de monitorización de variables donde el sistema aprende del comportamiento de las variables de proceso y detecta cuando nos estamos encontrando con desviaciones o situaciones anómalas.

• App Dev Services: La plataforma debe permitir el desarrollo de nuevas aplicaciones inteligentes centradas en el usuario para impulsar la innovación empresarial.
  • Integrar servicios de IA para construir las aplicaciones inteligentes o dotar a las aplicaciones existentes de inteligencia adicional.
  • Acelerar el desarrollo gracias a combinación de componentes y soluciones abiertas y reutilizables.
  • Aprovechar las capacidades de la nube, para obtener velocidad, agilidad y escalabilidad.
  • En cualquier dispositivo, en cualquier lugar, en cualquier momento. La movilidad debe ser un requisito a la hora de poder explotar los datos, e independiente del aplicación que los consuma y dispositivo desde que el que se opere.

• Operación: La operación de esta plataforma debe aprovechar las mejores prácticas, para poner en marcha un proceso ágil y continuo que construirá y mejorará de manera eficiente e iterativa, desde el desarrollo de aplicaciones, hasta el desarrollo de modelos de machine learning y la gestión de datos. DevOps, MLOps, DataOPS todas las ‘Ops’ que no describiremos en detalle hoy, están aquí para resaltar la necesidad de transformar la operación de una gestión de proyectos tradicional, a una gestión del ciclo de vida ágil. Esta es la razón por la que medir todo, ya sea un seguimiento del linaje de los datos o poner en marcha la telemetría para supervisar el estado de las aplicaciones es clave para ver resultados. Sólo con las métricas correctas podemos evaluar continuamente como de bien está evolucionando una organización.
  • Aprovechar las mejores prácticas
  • Operación ágil y continua
  • Planificar, ejecutar y supervisar el ciclo de vida
  • Instrumento & Medida

• Gobierno: Muchos de esos principios que hemos visto en la parte de operación, se aplicarán a la gobernanza, debemos aprovecharnos de las mejores prácticas para ser más ágiles e implementar un modelo de gobierno durante todo el ciclo de vida en torno a la seguridad, la identidad, el cumplimiento e incluso la adopción y la gestión del cambio. Tenemos que poder configurar esos procesos para toda la organización, y no para cada unidad de forma independiente. Si partimos de cero, habrá que identificar las partes interesadas y ponerlas en común junto con las métricas correctas. Una vez más, la selección de lo que se mide (y lo que no) ayudará a estructurar cómo se establece la gobernanza y cómo se trabaja de manera efectiva en toda la organización.

Por supuesto, en esta plataforma deberemos tener un espacio para los laboratorios de datos, donde podamos trabajar y hacer experimentos en entornos seguros para que la innovación nunca más vuelva a ser un problema.

Juan de la Peña Gayo

Technology Strategist en Microsoft

Miembro de Grupo Industria Conectada 4.0 en ISA Sección Española