Recomendados
Más contenido relacionado
Similar a Introduccion_a_la_transformacion_digital_industrial.pdf
Similar a Introduccion_a_la_transformacion_digital_industrial.pdf (20)
Último
Último (20)
Introduccion_a_la_transformacion_digital_industrial.pdf
- 2. ¿Qué es la digitalización en la industria? • Web 1.0/Web 2.0/Web 3.0 (Redes sociales) • Cuarta revolución industrial – Industria 4.0 Muy básicamente, la digitalización de los procesos producLvos en las fábricas para obtener más compeLLvidad (reducir costes, más eficiencia, descubrir fármacos más rápidamente...) • Digitalizar las cadenas de valor a través de la integración de tecnologías de procesamiento de datos, so9ware inteligente y sensores (wikipedia). • Pero ¿realmente es algo más? Es un PROFUNDO CAMBIO ORGANIZATIVO
- 3. Phases of Industrial Revolution 2. Electrification Mechanization 1. Automation 3. Networking 4. Conveyer Belt 1870 Mechanical Loom 1784 Programmable Controller 1969 Industrie 4.0 Today www.telit.com
- 5. ¿Qué hace posible la digitalización? • Concepto de digitalización: converLr las señales del mundo analógico en digital. • Los avances tecnológicos son los que han hecho posible que el proceso de digitalización se haya podido extender al ciclo producLvo de las industrias.
- 7. Algunos avances tecnológicos • IoT/IIoT (internet of Things) • BigData/AnalyKcs • AI (ArLficial Intelligence) • Ciberseguridad • VirtualizaKon / Cloud • Augmented Reality • Virtual Reality • Robots / bots • Blockchain • UAV (Unmaned Aerial Vehicles) • 3D prinKng • Sensors, SCADA-PLC / DCS • ProductLifeCycle, QuantumLifeCycle… • HTTPS, MQTT, M2M • ERP, MPR, MPS, MES... • Apps, wearables • ... hTps://www.pharma-iq.com/pre-clinical-discovery-and-development/white-papers/the-future-of-drug-discovery-ai-2020
- 12. Un culLvo perfecto para el IoT • El acceso a Internet de banda ancha es cada vez más común (3G, 4G…) • El coste de conexión a internet está disminuyendo. • Los costes de la tecnología están bajando. • Se están creando más disposiLvos con capacidades Wi-Fi y sensores incorporados. • La penetración de los teléfonos inteligentes está aumentando.
- 13. El IoT es una gigantesca red de "cosas y personas" conectadas. • Y es la nube, en funcionamiento desde el año 2000, la que posibilita #IoT#. • El entorno se ha converLdo en la interfase, en dónde debemos aprender una nueva forma de “dar senKdo”. • “Dar senKdo” es la habilidad de leer datos como datos y no como ruido. Este es el reto al que todavía nos enfrentamos hoy en día. hTp://www.theinternetophings.eu
- 15. Key impacts of IoT on Industry • AutomaLon: Conectar máquinas, sensores y actuadores a sistemas informáLcos permite un alto grado de automaLzación de procesos. • IntegraLon: La integración de los datos de una máquina con los datos de otras fuentes, como los sistemas ERP, las bases de datos abiertas y fuentes de medios sociales, aumenta en gran medida el valor derivado de la conexión de la máquina. • “ServiLzaLon”: Juntas, la automaLzación y la integración ayudan a las organizaciones a pasar de modelos comerciales centrados principalmente en productos a modelos comerciales orientados al servicio, también conocidos como "serviLzación". Sam Lucero, Senior Principal Analyst, M2M and IoT , IHS Technology hTps://cdn.ihs.com/www/pdf/enabling-IOT.pdf
- 17. Sistemas Ciberzscos - CPS • Los CPS se uLlizan cada vez que se necesita poner un sistema [sico complejo en comunicación con el mundo digital. • Cada vez más importante en los procesos industriales y en el control de la producción (fábricas inteligentes), sobre todo en el contexto del IIoT. • Un sistema ciberzsico está compuesto por objetos, electrónica y so9ware. Los objetos se conectan entre sí directamente o a través de internet, formando un único sistema. Esos objetos consisten en dos Lpos de elementos: sensores y actuadores. Ambos conectan el CPS con el mundo exterior. Los datos se ponen a disposición de disLntos servicios conectados en red, que los uLlizan para enviar órdenes a los actuadores, los cuales ejecutan acciones en el mundo zsico. • Es la fusión entre el mundo zsico y el ciberespacio que ha hecho posible el internet de las cosas IoT. • En la producción industrial, los sistemas ciberzsicos se uLlizan para construir arquitecturas basadas en internet que facilitan el control remoto de sistemas de producción autónomos. • Actualmente, ya se uLlizan CPS en el suministro de energía, el control del tráfico, la asistencia a la conducción y muchas otras áreas. hTps://www.hbm.com/es/6267/sistemas-ciberfisicos-el-esqueleto-del-iiot/
- 25. Las 7 V’s del BigData… 1. Volumen – Data at scale (volumen - datos a escala) 2. Velocity - Data in MoLon (velocidad - datos en movimiento) 3. Variety - Data in Many Forms (variedad - datos de muchos Lpos) 4. Veracity – Veracidad: Se refiere a la incerLdumbre o confiabilidad de los datos. 5. VisualitaKon - Visualización: modo en el que los datos son presentados. 6. Viability - Viabilidad: Capacidad de generar un uso eficaz de un gran volumen de datos 7. Value - Valor: Se refiere a nuestra capacidad de converLr nuestros datos en valor y es por eso que el valor es una de las V´s del Big Data que más importa. HTp://www.ibmbigdatahub.com/blog/why-only-one-5-vs-big-data-really-maTers hTp://www.iic.uam.es/innovacion/big-data-caracterisLcas-mas-importantes-7-v/ ÚlLmamente ha aparecido otras V´s: 8. Variability: significa que los sistemas Big Data deben disponer del mismo Lpo de elasLcidad que es requerido en cloud compuLng y otros entornos virtualizados. 9. VolaKlity: Por cuánto Lempo son válidos los datos y por cuánto Lempo han de estar almacenados.
- 27. Tipos de datos • Structured Data: El data warehouse conLene datos estructurados y sólo datos estructurados. En los RDBMS la estructura es obligatoria. • Unstructured Data: Esencialmente todo lo demás que no ha sido específicamente estructurado (texto libre, imágenes y videos, archivos de audio y algunos Lpos de medios sociales). No hay eLquetas (metadatos sobre los datos) y ningún esquema establecido. • Semi-Structured Data: La línea entre datos no estructurados y semiestructurada es un poco borrosa. Texto: XML, correo electrónico o mensajes de intercambio electrónico de datos (EDI). Registros del servidor web y patrones de búsqueda. Datos de sensores.
- 31. Big Data & AnalyLcs – Business Value from Business AnalyLcs • CogniKve - Tell me the best course of acLon? – Cúal es la mejor línea de acción • PrescripKve - How can we achieve the best outcome? - ULliza los datos para prescribir aquellas acciones que incrementen nuestras posibilidades de obtener los mejores resultados. • PredicKve - What could happen? - ULliza los datos para determinar qué puede pasar en el futuro. • DescripKve - What has happened? - ULliza los datos para explicar el pasado. • InformaKon Layer - How is data managed and stored? - Cómo están almacenados los datos
- 32. AI • Básicamente, la inteligencia exhibida por las máquinas. • El desarrollo de algoritmos y la velocidad para procesar datos permite que las computadoras realicen tareas que normalmente requerían de una o varias personas. • La IA es un concepto que engloba el aprendizaje automáKco y el desarrollo de programas que pueden enseñar, comprender, razonar, planear y actuar en base a los nuevos datos. • En algunas industrias es “posible” que la AI asesore a clientes sobre sus decisiones de compra … pero ¿siempre? (MD Anderson / IBM Watson) hTps://www.forbes.com/sites/maThewherper/2017/02/19/md-anderson-benches-ibm-watson-in-setback-for-arLficial-intelligence-in-medicine/#564f6ca83774
- 34. Penetración en internet • La penetración de usuarios en Internet en el 2015 se mulKplicó por siete desde el año 2000 • Entre 2000 y 2015 la penetración de Internet se ha mulLplicado casi por siete, pasando del 6,5 al 43 por ciento de la población mundial. • Proporción de hogares con acceso a Internet aumentó del 18 por ciento en 2005 al 46 por ciento en 2015. • Los datos de la UIT (Unión Internacional de Telecomunicaciones de la ONU) también indican que en el mundo en desarrollo sigue habiendo 4 000 millones de personas sin acceso a Internet. De los casi 1 000 millones de personas que viven en países menos adelantados (PMA), 851 millones no uLlizan Internet. hTp://www.itu.int/net/pressoffice/press_releases/2015/17-es.aspx
- 35. Un estudio realizado en el 2015 por la OBS Business School • En 2020, más de 30 mil millones de disposiKvos estarán conectados a Internet. • En 2014 se transfieren 1.570 terabytes de información por minuto. • En 2014 el número de proyectos Big Data puestos en producción ha crecido un 5%. • Las soluciones tecnológicas Big Data aportarán 206.000 millones de euros a la economía de Europa en el año 2020, un incremento en el PIB de la Eurozona de un 1,9%. • Las áreas donde el Big Data ha demostrado ser un gran aliado de las empresas son en la mejora de la experiencia de cliente y en la mejora de la eficiencia de los procesos de negocio. • El 95% de las empresas apostarán por el IoT en un plazo máximo de tres años. hTp://www.obs-edu.com/es/noLcias/estudio-obs/en-2020-mas-de-30-mil-millones-de-disposiLvos-estaran-conectados-internet (2015)
- 38. Otro estudio: OBS Business School (2016) El informe de OBS indica que el 65% de las empresas saben que corren el riesgo de converKrse en irrelevantes o no compeKKvas si no adoptan Big Data • En los próximos 2 años, hasta el 75% de las empresas inverLrá en Big Data. • Wi-Fi: A nivel mundial, el total de puntos de acceso públicos W-Fi aumentarán en 7: desde 64,2 millones en 2015, a 432,5 millones en 2020. • Volumen de descargas: aumento de un 51% (3,9 exabytes / mes) en 2015 a 55% (38,1 exabytes / mes) para el año 2020. • En 2020, se esLma que habrá 601 millones de disposiKvos portáKles a nivel mundial, mulLplicando el dato actual por 5: de 97 millones en 2015 a una tasa compuesta anual del 44%. • Tráfico de datos: En 2015, el tráfico 4G superó el tráfico 3G y ahora representa la mayor parte del tráfico de datos móviles por Lpo de red. • Smartphones: La parte de los disposiLvos inteligentes y conexiones como un porcentaje del total aumentará del 36% en 2015, al 67 % en 2020. hTp://www.obs-edu.com/es/noLcias/estudio-obs/estudio-obs-big-data-2016 (Estudio sobre la adopción del “Big Data” por parte de las empresas. José María Moroto. Profesor de Data Management en la OBS Business School” - 2016).
- 39. Casos Reales • Exploración de datos, encontrar, visualizar, entender, • Automoción, mantenimiento, control remoto • Energy forecasLng • Seguridad y Detección de fraude (eléctricas, bancos…), gesLón de demanda (eléctricas…) • Mejorar la visión de los clientes • Análisis de operaciones • Aumentar la eficiencia en data warehouse • Genómica (3 billion base pairs) • healthcare – biomedicina
- 41. Cloud • La computación en la nube o servicios en la nube, es un paradigma que permite ofrecer servicios de computación a través de internet. • Estos servicios pueden ser consumidos “virtualmente” desde cualquier disposiLvo con acceso a internet como PC’s, laptops, disposiLvos móviles, entre otros. • Toda la infraestructura y plataforma en la cual se encuentran alojados estos servicios es transparente para el usuario.
- 44. Pre-Historia del Cloud Cluster CompuLng Cloud CompuLng Grid CompuLng
- 45. Ventajas del cloud • Gran capacidad de ancho de banda, • Recursos (aparentemente) ilimitados, • Rápida elasKcidad y expansión, • Uso fácil y automáKco para el usuario, • Recursos monitorizados • OpKmización de recursos: MulLplexación estadísLca • Centralización de gesLón: Disponibilidad • Flexibilidad: Capacidad computacional donde se necesite • Recuperación de desastres – Backup • Ahorro: Recursos agregados y actualizaciones adiLvas
- 46. Servicios del cloud Propietario / Cliente Proveedor IaaS PaaS SaaS
- 48. • Modelo de distribución de sopware donde un tercero sirve el mantenimiento, soporte y operación de las aplicaciones y datos de un cliente. • Las aplicaciones son hospedadas en la web y ofrecidas a los clientes a través de una red de datos (•picamente internet). • SaaS es probablemente el Lpo de servicio más común en la nube y usado diariamente por miles de usuarios que no conocen este termino. • P.e. Google Docs
- 49. • A través de este modelo se ofrece todo lo necesario para soportar el ciclo de vida completo de construcción y despliegue de aplicaciones web. • El cliente no necesita instalar, configurar ni mantener sistemas operaLvos, sistemas de bases de datos y servidores de aplicación. • Existen limitaciones a nivel del entorno de ejecución: Sistemas a uLlizar, lenguajes, modelos de bases de datos, entre otros. • P.e. Bluemix, Docker, Google Cloud Pla8orm, Salesforce, Cloud Foundry…
- 50. • También llamado HaaS (Hardware as a service), es el modelo de distribución de infraestructura de computo como servicio; normalmente mediante una plataforma de virtualización. • Recursos como equipos de red, espacio de almacenamiento y servidores son proporcionados por un proveedor de servicios externo. • Cloud público (o comercial): Amazon EC2, MicrosoJ Azure, RackSpace, Google Cloud… (CSP – Cloud Service Provider) • Cloud privado: OpenNebula, Eucalyptus, OpenStack…
- 52. ¿Y en el mundo farmaceúLco? • Las empresas están “obligadas” a simplificar sus procesos y reducir costes. • Muchas empresas farmacéuLcas y ciencias biológicas consumen computación en la nube como SaaS (sopware-as-a-service) • La realidad es que la industria todavía está en los primeros días de la adopción de la nube. Para muchas, la barrera sigue siendo el miedo por la seguridad. Las empresas farmacéuLcas Lenen una gran canLdad de datos confidenciales, incluyendo la propiedad intelectual e información del paciente. Como resultado, la necesidad de proteger esta información es primordial para la supervivencia de negocio. • Por esta razón, la nube híbrida es ideal para el sector. Ofrece a las empresas la opción de almacenar sus datos confidenciales y aplicaciones del núcleo del negocio en una nube privada, y aprovechar el poder de la nube pública cuando sea necesario. hTps://www.scienLficcompuLng.com/arLcle/2017/06/how-cloud-compuLng-can-shape-pharmaceuLcal-industry
- 55. Ciberseguridad • ISO/IEC 27032 Guidelines for cybersecurity: “The complex environment resulLng from the interacKon of people, so9ware and services on the Internet by means of technology devices and networks connected to it, which does not exist in any physical form.” • ObjeLvo, conseguir y mantener las propiedades de la seguridad, CIA: ConfidenKality, Integrity, Availability • InformaLon Assurance Model (IT): People, Technology, Process • MikeDan’s SoluLons Matrix (IT): Trade-off Security+Usability+CostEffecKve • hTps://www.certsi.es , hTps://www.incibe.es … • Algunos modelos de protección para la industria nos instan a fijarnos en 3 conceptos: – Seguridad de planta ( controles de acceso…) – Seguridad de red (DMZ, firewalls…) – Integridad del sistema
- 56. CIIP (CriLcal InformaLon Infrastructure ProtecLon) • La ciberseguridad trabaja sobre amenazas globales e incerLdumbre legal: – Las leyes para la seguridad informáLca son inadecuadas en la era de internet. – La arquitectura de Internet hace prácLcamente imposible atribuir un ataque a quien lo ha iniciado. – Debido a sus orígenes en los servicios militares y diplomáLcos, la seguridad de la información suele centrarse en la confidencialidad. A pesar de que WikiLeaks ha destacado la importancia de la confidencialidad, la ciberseguridad se centra también en la integridad y la disponibilidad.
- 57. Naturaleza del ciberespacio Dada la complejidad de definir un término como ciberespacio, vamos a abordar su naturaleza dividiéndolo en 4 capas: • Personas: Quienes parLcipan en la ciberexperiencia, comunicándose, trabajando con información, tomando decisiones, llevando a cabo planes, transformando la naturaleza del ciberespacio trabajando con sus servicios y capacidades. • Información: Almacenada, transmiLda y transformada en el ciberespacio. • Bloques lógicos: ConsLtuyen los servicios y dan soporte a la naturaleza de la plataforma del ciberespacio. • Física: Da soporte a los bloques lógicos. Los ataques pueden producirse en las 4 capas, desde la destrucción de componentes zsicos a engañar a personas, pasando por comprometer elementos lógicos o corromper información.
- 58. Un pequeño paréntesis (), ¿que pasa con la privacidad? • 2000- Latanya Sweeney encontró que el 87% (216 millones de 248 millones) de la población en los Estados Unidos había proporcionado caracterísLcas que probablemente les hicieron únicos basadas solamente en los 5 dígitos del ZIP, el sexo y la fecha de nacimiento. • Alrededor de la mitad de la población de los Estados Unidos (132 millones de 248 millones o 53%) es probable que sea idenLficado de manera única por el lugar, el sexo y la fecha de nacimiento; donde el lugar es básicamente la ciudad o municipio en el que reside. • E incluso a nivel de condado, con el condado, el género y la fecha de nacimiento, es probable que idenLfiquen de manera única al 18% de la población de los Estados Unidos. En general, son necesarias pocas caracterísLcas para idenLficar de manera única a una persona. hTp://dataprivacylab.org/projects/idenLfiability/
- 64. ¡Por qué el BigData revolucionará la farmacia! Según ar•culo publicado por EFE-SALUD en el 2015: • Big Data permiLría “cruzar muchos datos de disKntas fuentes como pueden ser los propios pacientes, ensayos clínicos o datos moleculares y celulares” (Ignacio Hernández, neurólogo del Hospital Ramón y Cajal) • los laboratorios podrían “probar nuevos fármacos de forma simulada sin la necesidad de hacer esas reacciones dentro de un laboratorio” • los farmacéuLcos comunitarios “pueden recopilar datos de colegios de farmacéuKcos, el número de visitas que reciben cada día a sus establecimientos, las necesidades de los pacientes, la canKdad de productos de los que disponen, sus precios…” hTp://www.efesalud.com/noLcias/big-data-revoluciona-sector-farmaceuLco/ (2015)
- 65. ¿Cómo puede BigData ayudar en la industria farmaceúLca? 2015 - Informe de bigdata y salud, realizado por Planner Media y Prodigioso Volcán Desde Janssen (Teresa Hernando, Real World Data Manager) • explican cómo “con la aplicación de las TIC en el ámbito de la salud, y el desarrollo de nuevos sistemas de recogida de información uLlizados por pacientes, cuidadores y personal sanitario (apps, disposiLvos wearables, redes sociales…) han aparecido fuentes masivas de datos de salud”. (historia clínica electrónica, la receta electrónica, los registros de enfermedades…) • SosLenen que es en el ámbito de la prácLca clínica donde se puede evaluar, por medio de estudios observacionales, el valor que los medicamentos aportan en la “vida real”. • Han iniciado una línea de trabajo cuyo pilar común es proporcionar soluciones que aporten herramientas innovadoras que mejoren los resultados en salud y con ello la atención sanitaria y el cuidado de los pacientes (app, wearables…). • Quieren contribuir al avance de la invesLgación clínica de la mano del desarrollo de nuevos sistemas de información hTp://losdelvolcan.com/clientes/2015/planner-media/bigdatasalud/
- 66. ¿Cómo puede BigData ayudar en la industria farmaceúLca? 2015 - Informe de bigdata y salud, realizado por Planner Media y Prodigioso Volcán En ese mismo informe, también vemos el enfoque de Federico Plaza, director de Government Affairs en Roche Pharmaceu<cals: • En el plano más local, en España, hay que orientar toda esta información de datos en vida real para gesKonar mejor cómo se uKlizan los productos. • La importancia de los datos para conocer en la prácLca la diferencia (el gap) que hay entre la eficacia -que es lo que se mide en los estudios clínicos- y la efecKvidad -lo que pasa en la vida real- y sus causas, ver cómo se puede corregir, ver si se pueden detectar necesidades no cubiertas y orientar nuevas vías de invesLgación • en España el reto que tenemos es que en las patologías relevantes, cuando se produzca un medicamento, exista un registro de pacientes • ya se está dando en otros países como Italia -a empezar a pagar los medicamentos en función del valor que aportan, en función de los resultados en salud más que en función de los miligramos de sustancia, de principio acLvo • hacer sostenibles nuevos productos que Lenen precios elevados, ya que “su desarrollo es costoso y van orientados a pocos pacientes”. hTp://losdelvolcan.com/clientes/2015/planner-media/bigdatasalud/
- 69. Estudio de mejora de la automaLzación en los sistemas RPDS • El conocimiento se obLene realizando minería de datos sobre la base de datos de prescripciones. • La minería con reglas de asociación se usa para descubrir las asociaciones entre los fármacos. • Se analizan los patrones de dispersión de fármacos. • Se proporcionan diseños mejorados de planogramas para sistemas de automaLzación de farmacias. hTp://www.sciencedirect.com/science/arLcle/pii/S0957417416300781
- 70. ¿Qué se hace ahora con BigData? • Accelerate drug discovery and development - P.e. La aplicación de análisis predicLvos a los parámetros de búsqueda debería ayudarlos a afinar la información relevante y también a obtener una idea de cuáles son las posibilidades de obtener los mejores resultados. • OpKmize and improve the efficacy of clinical trials - P.e. idenLficando a los pacientes más adecuados para los ensayos clínicos analizando datos demográficos e históricos • Target specific paKent populaKons more effecKvely – P.e. buscando un gen específico • Beyer insight into paKent behaviour to improve drug delivery and effecKveness and healthcare outcomes - P.e. evitar que los pacientes se olviden de tomar la medicación • Improve safety and risk management - Analizar datos del mundo social como aviso temprano. • Gain improved insight into markeKng and sales performance - Análisis mercado / cómo se prescriben medicamentos hTps://www.bigdatainpharma.com/6-ways-pharmaceuLcal-companies-are-using-big-data-to-drive-innovaLon--value-mc
- 71. ¿Qué se puede hacer con BigData? • Realizar simulaciones de medicamentos • Obtener conocimiento a través de la minería de datos de bases de datos de prescripciones • Mejorar las estrategias de automaKzación y gesKón de farmacia • Ayudarnos a entender la fidelidad y conLnuidad de los pacientes con las medicaciones • Obtener información sobre la opinión y comportamientos de los clientes • Tener información epidemiológica de la vida real • Conocer en la prácLca la diferencia que hay entre la eficacia -estudios clínicos- y la efecKvidad -vida real-
- 72. Especial atención… • Anonimizar los datos • Conseguir que se digitalice todo • Conseguir que la información esté accesible • Atención a la veracidad de los datos • No olvidar el valor y la viabilidad en todo proyecto • No subesLmar el coste de los recursos que BigData lleva asociados (infraestructura, personal formado, etc.)
- 73. Pharma PLC-BASED INDUSTRIAL MONITORING Challenge : Integration Application: MES/ERP/MRP Things: Data collection from PLCs Data Manufacturing and quality control data
- 75. Muchas gracias