Როგორი ძირეული მოწყობილობები უზრუნველყოფს ინტელექტუალური საწარმოს აშენებას?

Სამრეწველო ინტერნეტი (IIoT) და რეალურ დროში მონაცემთა კავშირგება

Ინტელექტუალურ წარმოებაში დაკავშირებული სამრეწველო მოწყობილობების გავრცელება

Დღესდღეობით ქარხნები თითო ადგილზე დაახლოებით 15 ათას შემონახულ მოწყობილობას ატევებენ, ყველაფრის ჩათვლით იმ ჭეშმარიტი სმარტ სენსორებიდან დაწყებული თვითმართვად რობოტებით დამთავრებული, როგორც წელს Ponemon-ის ანგარიშში არის მოცემული. ეს დამატებითი კავშირგებულობა სინამდვილეში ხსნის დიდ პრობლემას, რომელიც წლების განმავლობაში მიმდინარეობს წარმოების სფეროში. დაახლოებით 57 პროცენტი მოულოდნელი წარმოების შეჩერების მიზეზი იმაში მდგომარეობს, რომ რომელიმე მოწყობილობა იშლება მაშინ, როდესაც არავინ ათვალიერებს მას. როდესაც წარმოების მწარმოებლები თავიანთ მანქანებს ინტერნეტის ობიექტების ტექნოლოგიით აერთებენ ცენტრალურ კონტროლის პანელებთან, მათ ეძლევათ საოცარი მიმოხილვის შესაძლებლობა იმ პროცესების შესახებ, რომლებიც ადრე გაფანტული იყო ყველგან. ძალიან მარტივად რომ ვთქვათ, უკეთ აღარ არის სიბრტყეები სადაც არ ხედავთ პროცესებს.

Როგორ უზრუნველყოფს IIoT მონაცემთა უწყვეტ გადაცემას სმარტ ქარხნის სისტემებში

OPC UA და MQTT-ს მსგავსი ინდუსტრიული IoT პროტოკოლები ხელს უწყობს ძველი საწარმოო მოწყობილობების ახალ ციფრულ სისტემებთან შეერთებაში. აიღეთ მაგალითად ინიექციური ზურგის აპარატები. როდესაც ისინი ეჯი გეითვეიებთან არიან დაკავშირებული, ეს მანქანები შეძლებენ პირდაპირ გადაიგზავნონ მათი შესრულების მონაცემები ღრუბლის საფუძველზე დამყარებულ ERP სისტემებში. საწარმოს მენეჯერებს შემდეგ მიერთებათ მონაცემები მასალის გამოყენების მოცულობის შესახებ და იმის შესახებ, თუ როგორია ენერგიის მოხმარება მოცემულ მომენტში. სხვადასხვა სისტემებს შორის კავშირის შესაძლებლობამ მნიშვნელოვნად გააუმჯობესა წარმოების ეფექტიანობა. ავტომობილების საწარმოების რამდენიმე შემთხვევის შესწავლის მიხედვით, ასეთი სისტემების ინტეგრაცია წარმოების ხაზის კონკრეტულ კონფიგურაციასა და შენარჩუნების პრაქტიკაზე დამოკიდებულებით საშუალოდ 18%-დან 22%-მდე ამცირებს ნაგავს.

Შემთხვევის შესწავლა: AWS IoT Greengrass-ით დაშორებული მონიტორინგი

Მწარმოებელი ავტომობილების ნაწილების მიმწოდებელმა 14 სამსოფლიო საწარმოში განახორციელა ეჯი კვანძების გამოყენება მოწყობილობების ვიბრაციის მონაცემების ანალიზისთვის. ეს კონფიგურაცია შეამცირა გეგმაზე გარეშე შეჩერებები 41%პროგნოზირებადი შესწორების შესახებ შეტყობინებების საშუალებით, ხოლო ღრუბლოვან მონაცემთა გადაცემის ხარჯების შემცირება წლიურად $290 ათასით . შესწორების გუნდებს ახლა ხელი უწყობენ ანომალიების 83%-ის წარმოებაზე გავლენის გახდომამდე.

Სტრატეგია: უსაფრთხო, მასშტაბული და შეთავსებადი IIoT ქსელების შექმნა

Მწარმოებლები, რომლებიც ამ ჩარჩოს იღებენ, აღნიშნავენ 3.1-ჯერ უფრო სწრაფ გაშვების ციკლებს ახალი IIoT აპლიკაციებისთვის შედარებით იზოლირებულ არქიტექტურებთან (PwC 2023).

Სასრულის გამოთვლები დაბალი შეფერხების მქონე გადაწყვეტილებების მიღებისთვის ინტელექტუალური საწარმოებში

Ტრადიციული მხოლოდ ღრუბლოვანი არქიტექტურები გადაჭარბებულ შეფერხებას განიცდიან 100–500 მილიწამის ოდენობით, რაც მათ უმართავად ხდის დროს მგრძნობიარე სამრეწლო პროცესებისთვის, როგორიცაა რობოტიზებული ასამბლერები ან ქიმიური ნამუშევრების კონტროლი. სასრულის გამოთვლები ამ დაყოვნებას ამცირებს 1–10 მილიწამამდე, რადგან მონაცემები დამუშავდება ადგილობრივად – საწარმოს მოწყობილობებთან და სენსორებთან, რაც საშუალებას აძლევს რეალურ დროში შეესწოროს ტემპერატურა, წნევა და მანქანის გეომეტრია.

Სასრულის და ღრუბლოვანი გამოთვლების კომბინირება დისტრიბუციული ინტელექტისთვის

Ჰიბრიდული სისტემის კონფიგურაციაში მონაცემთა დაახლოებით ორი მესამედი პირდაპირ გადაეცემა სასრულ კვანძებს, სადაც ისინი შეიძლება დამუშავდეს უშუალოდ, ხოლო მხოლოდ შეჯამებული შედეგები გადაეცემა ღრუბლის მთავარ სერვერებს მოგვიანებით სიღრმისეული ანალიზისთვის. აიღეთ მაგალითად, CNC მანქანებზე დამაგრებული ვიბრაციის სენსორები — ისინი ადგილობრივ პროცესორებთან ერთად ამუშავებენ და 5 მილიწამის განმავლობაში ამჩნევენ ინსტრუმენტების დამუშავების დაწყებას, რაც იწვევს ავტომატურ კორექტირებას პროცესის გლუვად მიმდინარეობის უზრუნველსაყოფად. ამავე დროს, ადგილობრივი შუამავლები აგროვებენ შესრულების მონაცემებს დროის განმავლობაში და დაახლოებით ერთხელ დღეში ანგარიშს უწევენ ღრუბლის პროგნოზირებად შემსახლებელ სისტემებს. ეს მიდგომა აერთიანებს რეალურ დროში რეაგირებას და მანქანათა წარმოების მასშტაბით გრძელვადიან სტრატეგიულ დაგეგმვას.

Რეაქციის დროისა და სიგნალის სიგანის ოპტიმიზაცია ადგილობრივი დამუშავების საშუალებით

Როდესაც კომპანიები ადგილობრივად ამუშავებენ მონაცემებს ღრებლოვანი მოდელების გამოყენების მაგივრად, ისინი ჩვეულებრივ აღნიშნავენ ქსელური ზოლის დატვირთვის დაახლოებით 90%-იან შემცირებას და დაახლოებით 20%-იან გაუმჯობესებას ანომალიების აღმოჩენაში. წარმოების საშუალებები, რომლებმაც გამოიყენეს სასაზღვრო კომპიუტინგი, აღნიშნავენ გაცილებით ნაკლებ გაუთვალისწინებელ შეჩერებას, რადგან შეძლებენ მანქანების მდგომარეობის მონიტორინგს იმ ადგილას, სადაც მიმდინარეობს წარმოება. მთავარი ღრებლოვანი სერვისების კომპანიები სთავაზობენ სასაზღვრო სტრუქტურებს შესაბამისი ანალიტიკური ინსტრუმენტებით, რომლებიც პირველ რიგში ამუშავებენ კრიტიკულ შეტყობინებებს, მაგალითად, ავარიულ შემთხვევებში მანქანების გამორთვას, სანამ ჩვეულებრივ შენარჩუნების ჟურნალებს მიუდგებიან. ჩვენ ვაღიარებთ, რომ ახალი ინსტალაციები აერთიანებენ სასაზღვრო აპარატურას 5G კავშირთან, რათა მიიღონ 10 მილიწამზე ნაკლები რეაქციის დრო რობოტებისთვის, რომლებიც ადამიანებთან ერთად მუშაობენ და მორგებულნი არიან ფარგლის სიმტკიცის ცვლილებაზე საწარმოს სართულიდან მიღებული სურათის მიხედვით. დამოუკიდებელი კვლევები ადასტურებს იმას, რასაც წარმოების მწარმოებლები პირდაპირ განიცდიან: ასეთი ჰიბრიდული სისტემები შეამცირებს ნაგავს დაახლოებით 25%-ით იმ სექტორებში, სადაც მოითხოვება ზუსტი პრეციზიულობა, მაგალითად, კომპიუტერული ჩიფების დამზადებისას, რადგან საწარმოს სართულის დონეზე არსებულ ჭკვიან კამერებსა და ფაქტობრივ რობოტულ მხეებს შორის მიმდინარეობს თითქმის მყისიერი კომუნიკაცია.

Სამრეწვლო მონაცემების ინტეგრაცია AWS IoT SiteWise-ის და Asset Modeling-ის საშუალებით

Მონაცემთა იზოლირებული სისტემების გატეხვა გაერთიანებული ოპერაციული ხილულობისთვის

Ჭკვიანი ქარხნები ქმნიან დაახლოებით 2.5-ჯერ მეტ მონაცემს, ვიდრე ჩვეულებრივი წარმოების სისტემები, მაგრამ უმეტესობა კომპანიებისა არის დაბლოკილი იზოლირებულ სისტემებში, რაც რთული ხდის რეალურ დროში პროცესების მონიტორინგს, როგორც ნაჩვენებია Ponemon-ის წლიურ კვლევაში. კარგი ამბის შესახებ კი ის არის, რომ AWS IoT SiteWise ეხმარება ამ არეულობის გასწორებაში, რადგან ის აერთიანებს სხვადასხვა სახის ქარხნის მონაცემებს — მანქანების შესრულების მაჩვენებლებს, ERP სისტემის შედეგებს და ხარისხის კონტროლის ჩანაწერებს — ერთ ცენტრალურ ბაზაში. ამ კონფიგურაციის საშუალებით მენეჯერებს შეუძლიათ მთელი ქარხნის მასშტაბით წვდომა ჰქონდეთ საერთო დაფებზე, სადაც ჩანს, თუ როგორ არის დაკავშირებული სხვადასხვა ფაქტორი, მაგალითად, ელექტროენერგიის მოხმარება, Overall Equipment Effectiveness (OEE) და წარმოების მაჩვენებლები მთელი სივრცის მასშტაბით.

Სენსორებისა და მოწყობილობების მონაცემების კონტექსტუალიზაცია AWS IoT SiteWise-ის გამოყენებით

Დღევანდელი წარმოების კონფიგურაციები ხშირად აღჭურვილია 300-ზე მეტი სენსორით თითო ასანალებზე, თუმცა ყველა ეს მაჩვენებელი არ გვაძლევს სრულყოფილ წარმოდგენას იმის შესახებ, თუ რა ხდება საქმე საქარხნის სართულზე. აქ შედის AWS IoT SiteWise. პლატფორმა ამ ნედლ მონაცემებს ანიჭებს მნიშვნელობას იერარქიული აქტივების მოდელების საშუალებით. წარმოიდგინეთ, როგორ უკავშირდება რევების გაზომვა კონკრეტულ ძრავის ასანალს ან როგორ უკავშირდება ტემპერატურის მაჩვენებლები კონკრეტულ პროდუქციის პარტიებს. როდესაც პროგნოზირებადი შენარჩუნების სისტემებს შეუძლიათ განსაზღვრონ, თუ რომელი აქტივებია ყველაზე მნიშვნელოვანი, ისინი იციან, თუ სად უნდა დააკონცენტრირონ ყურადღება პირველ რიგში. 2024 წლის მიმდინარე მრეწველობის კვლევის მიხედვით, რომელიც შეისწავლის იმას, თუ როგორ ახორციელებენ კომპანიები მრეწველობის ინტერნეტის ამოხსნებს, იმ გუნდებმა, რომლებმაც მიიღეს SiteWise, ანალიტიკური პირველი ეტაპის დაყენების დრო შემცირდა დაახლოებით 40%-ით იმის შედარებით, როდესაც ისინი ყველაფერს თავიდან ქმნიდნენ.

Შემთხვევის შესწავლა: გაერთიანებული აქტივების მოდელები საწარმოს მასშტაბით შესრულების ანალიტიკისთვის

Გლობალურმა ავტომობილების მომწოდებელმა 23 ქარხანაში 12,000-ზე მეტი CNC მანქანა სტანდარტიზირა AWS IoT SiteWise-ის გამოყენებით, რის შედეგადაც მიღწეული იქნა:

• ხარისხის გადახრების ძირეული მიზეზების ანალიზის 25%-ით გამარტივება
• 18%-იანი ენერგოეფექტიურობა ცენტრალური მოთხოვნის პროგნოზირების საშუალებით
• Ერთიანი KPI-ები ძველი და ახალი PLC (პროგრამულად კონტროლირებადი ლოგიკური კონტროლერი) სისტემების მიხედვით

Ტენდენცია: საწარმოში მრავალი მოწოდებული მოწყობილობის მონაცემთა ფორმატების სტანდარტიზაცია

76%-ზე მეტი წარმოების მწარმოებელი ახლა იყენებს OPC UA და MTConnect სტანდარტებს 15-ზე მეტი მოწყობილობის მომწოდებლისგან მონაცემთა ნორმალიზებისთვის (2024 წლის წარმოების მონაცემთა გამოკვლევა). AWS IoT SiteWise აჩქარებს ამ ცვლილებას წინასწარ შექმნილი სამრეწველო მონაცემთა კონექტორებით, რითაც 60%-ით ამცირებს პროტოკოლების თარგმნის საჭიროებას შერეული ტექნიკის გარემოში.

Კიბერ-ფიზიკური სისტემები (CPS) და ავტომატიზაცია ინტელექტუალური კონტროლისთვის

Ციფრული ორიგინალების, ქსელური და ფიზიკური პროცესების ინტეგრაცია

Დღესდღეობით გამჭვირვალე ქარხნები იყენებენ კიბერ-ფიზიკურ სისტემებს (CPS) ორმხრივი კომუნიკაციის არსებობისთვის ციფრულ მოდელებსა და ფაქტობრივ ქარხნულ მანქანებს შორის. როდესაც კომპანიები აერთებენ თავიანთ ციფრულ ანალოგ ტექნოლოგიას სტანდარტულ სამრეწველო ქსელებთან, როგორიცაა OPC UA, მთელ წარმოების სისტემაში სინქრონიზებული მუშაობა ხდება რეალურ დროში. პრაქტიკულად ეს ნიშნავს, რომ მანქანებს შეუძლიათ კორექტირება პრობლემების წარმოქმნამდე, რაც შეამცირებს ნაგავს ზუსტი წარმოების დროს. ზოგიერთი კვლევის მიხედვით, ნაგავის შემცირება შეიძლება 9%-დან 14%-მდე იყოს, რაც გამოქვეყნებული იყო Nature-ში წელს. წარმოებისთვის მცირე მარჟით, ასეთი ეფექტიანობა მნიშვნელოვან როლს ასრულებს კონკურენტუნარიანობის შესანარჩუნებლად ხარჯების კონტროლში შესვლის პირობებში.

CPS-ის ძირეული არქიტექტურა გამჭვირვალე წარმოების გარემოში

Მდგრადი CPS სისტემა მოიცავს სამ ძირეულ კომპონენტს:

• Სასრული კომპიუტინგის კვანძები ლოკალური გადაწყვეტილებების მისაღებად
• Ერთიანი აქტივების მოდელები, რომლებიც სტანდარტიზებულია მრავალი მოწოდებული მოწყობილობის მონაცემებისთვის
• Დაცული MQTT/AMQP პროტოკოლები მანქანა-ღრუბლის კომუნიკაციისთვის

Ახლანდელი განხორციელებები აჩვენებს, რომ ამ არქიტექტურამ შეამცირა ხარისხის კონტროლის პროცესებში დაყოვნება 800 მილიწამით ღრუბლოვანი სისტემების შედარებით.

Შემთხვევის შესწავლა: ციფრული საწარმოს განხორციელება ვირტუალური წარმოების სისტემებით

Გლობალურმა საყოფაცხოვრებო ტექნიკის მწარმობელმა შეამცირა ასამბლირების ხაზის რეკონფიგურაციის დრო 32%-ით CPS-ით მოძრავი ციფრული ორიდან სარგებლობით. ინჟინრებმა 18 წარმოების სცენარი შეამოწმეს ვირტუალურად, სანამ არ განახორციელეს იდეალური განლაგება, AWS IoT SiteWise-ის საშუალებით შესრულდა წარმოების მონაცემების სტრიმინგი ვირტუალურ და ფიზიკურ კონტროლის სისტემებში.

Კოლაბორაციული რობოტები (კობოტები) ადამიან-მანქანა სამუშაო პროცესების ეფექტიანობას ამაღლებს

CPS-ით აღჭურვილი კობოტები ახლა აკონტროლებენ ავტომობილების ასამბლირების 42%-ს, ხოლო პოზიციონირების სიზუსტე რჩება <0.1მმ. ეს სისტემები იყენებს lidar-ის რეალურ დროში მონაცემებს, რათა დინამიურად შეცვალონ მარშრუტი, როდესაც ადამიანი შედის საერთო სამუშაო სივრცეში, რაც წარმოადგენს ადვანსირებული ადამიან-CPS თანამშრომლობის მაგალითს.

Ხელოვნური ინტელექტი და მანქანური სწავლა პროგნოზირებადი ანალიტიკისთვის ინტელექტუალურ წარმოებაში

Თავის თავს მაქსიმალურ ეფექტუალობაზე მიყვანადი და ადაპტირებადი წარმოების სისტემების მიმართ მოთხოვნა

Დღესდღეობით ჭკვიანი ქარხნები საჭიროებენ ისეთ სისტემებს, რომლებიც თვითონ უმკლავდებიან მასალების ხარისხის შეცვლას, მოწყობილობების მდგომარეობის ცვალებადობას და წესდების უცებ შეცვლას. 2023 წლის მიმდინარე მაკ-კინსის დახმარებით ჩატარებული კვლევის თანახმად, კომპანიებმა, რომლებმაც გამოიყენეს ადაპტირებადი ხელოვნური ინტელექტის ამგვარი ამონახსნები, წარმოების ხაზების სიჩქარე დაახლოებით 18%-ით გაზარდეს იმ კომპანიებთან შედარებით, რომლებიც ტრადიციულ ავტომატიზირებულ წესებზე დარჩნენ. რა ხდის ეს შესაძლებელს? ეს ინტელექტუალური სისტემები უწყვეტად ამუშავებენ როგორც წარსული შედეგების მეტრიკებს, ასევე სენსორების მონაცემებს, რომლებიც ქარხნის მთელი სივრციდან შემოდის. შემდეგ ისინი აკეთებენ კორექტირებას რობოტის მხედანის პოზიციონირებაში, სატრანსპორტო ბანდის სიჩქარეში და ასევე იმაში, თუ რა მიიჩნევა დასაშვებ პროდუქცის ხარისხის სტანდარტებად — ყველაფერი ეს ხდება იმის გარეშე, რომ ადამიანი ჩაერიოდეს ან გადაიტანოს მართვა ხელში ოპერაციის დროს.

Ხელოვნური ინტელექტით მოძრავი ხარისხის პროგნოზირების და ანომალიების აღმოჩენის მოდელები

Დღევანდელ საუკეთესო ავტომობილების ქარხნებში, მანქანური სწავლის სისტემები 99,2%-იანი სიზუსტით ადასტურებენ წარმოების პრობლემებს ერთდროულად რამდენიმე სენსორის მონაკვეთების ანალიზის საშუალებით. ეს ნეირონული ქსელის მოდელები დროთა განმავლობაში უფრო გონიერდებიან, რადგან სწავლობენ წარსული დეფექტების გამო, ადრე ამჩნევენ მანქანების ვიბრაციისა და გახურების მცირე ცვლილებებს, უბრალოდ იმისად მიუხედავად, რომ რამე შეიძლება გაუარესდეს. შედეგად? პოტენციური პრობლემები დაახლოებით 47%-ით უფრო სწრაფად იდენტიფიცირდება, ვიდრე ძველი სტატისტიკური მეთოდები შეძლებდნენ. ზოგიერთი კვლევა, რომელიც შეხედავს ტექსტილის წარმოებას, აჩვენებს, რომ ამ AI მოდელებმა შეამცირეს ყალბი გაფრთხილებები დაახლოებით 63%-ით მარტივი ზღვრული გაფრთხილებების შედარებით. გარდა ამისა, ისინი უწყვეტად აკონტროლებენ ოპერაციებს დღე-ღამე შეუწყვეტლად, არაფრის გამოტოვებით.

Შემთხვევის ანალიზი: ნაგავის დონის შემცირება ნახევარგამტარების დამზადებისას მანქაური სწავლით

Სილიციური ფილების წარმოების მწარმოებმა გამოიყენა ანსამბლური მანქანური სწავლების მოდელები ნანომაპასში ტემპერატურის ცვალებადობის გამო ზღვარზე ნალექის წარმოქმნის პროგნოზირებისთვის. სისტემამ, რომელმაც ინტეგრირა სითბური ვიდეოჩვენებები მოწყობილობის ჟურნალებთან, თითოეულ 11 წამში ავტომატურად კორექტირებდა პლაზმური გამჭვირვალების პარამეტრებს, რის შედეგადაც მიღწეული იყო:

Ამომავალი ტენდენცია: ფედერალური სწავლა სხვადასხვა ქარხნისთვის მოდელის სწავლისთვის

Მწარმოებლები ახლა იყენებენ კონფიდენციალურობის დამცავ ფედერალურ სწავლის სისტემებს, რათა ერთობლივად შეასწავლონ ანომალიის აღმოჩენის მოდელები 12-ზე მეტ გლობალურ საწარმოში ნებრძოლი მონაცემების გაზიარების გარეშე. 2024 წლის ინდუსტრიული AI კონსორციუმის დასკვნა აჩვენებს, რომ ეს მიდგომა აუმჯობესებს მოდელის სიზუსტეს 29%-ით ერთ ქარხანაში სწავლის შედარებით, ხოლო ასევე აკმაყოფილებს GDPR და ინტელექტუალური საკუთრების დაცვის მოთხოვნებს.

Ხშირად დასმული კითხვები

Რა არის ინდუსტრიული ინტერნეტი (IIoT)?

Ინდუსტრიული ინტერნეტი (IIoT) ნიშნავს ინტერნეტთან დაკავშირებული ტექნოლოგიების ინტეგრაციას ინდუსტრიულ პროცესებში, რაც საშუალებას აძლევს სმარტ წარმოების გარემოში უწყვეტ მონაცემთა ნაკადს და გაუმჯობესებულ სამუშაო ხედვადობას.

Როგორ აუმჯობესებს სასაზღვრო კომპიუტინგი წარმოების ეფექტიანობას?

Ზღვისპირა კომპიუტინგი აუმჯობესებს წარმოების ეფექტიანობას, რადგან მონაცემები დამუშავდება ლოკალურად, წარმოების მოწყობილობებთან და სენსორებთან ახლოს, რაც ამცირებს დაყოვნებას, აოპტიმალურ სიჩქარეს უწყობს რეაგირებას და ამცირებს ქსელის სიგანს. ეს საშუალებას აძლევს ოპერატიულად შეერეოდეს მნიშვნელოვან ფაქტორებს, როგორიცაა ტემპერატურა და წნევა, რითაც აუმჯობესდება წარმოების გარემოში მomentალური რეაგირების უნარი.

Რა როლი აქვს ხელოვნურ ინტელექტს სმარტ წარმოებაში?

Სმარტ წარმოების გარემოში ხელოვნური ინტელექტის მოდელები ამაღლებენ პროგნოზირების ანალიტიკას ისეთი ადაპტური სისტემების საშუალებით, რომლებიც თვითონ იძენენ ოპტიმალურობას და არეგულირებენ ოპერაციებს რეალურ დროში მიღებული მონაცემების საფუძველზე. ხელოვნურ ინტელექტზე დაფუძნებული ანალიტიკა ამაღლებს ეფექტიანობას, ამცირებს წარმოების შეცდომებს და ხელს უწყობს ანომალიების აღმოჩენას, რითაც უზრუნველყოფს უფრო სწრაფ და საიმედო ოპერაციულ შედეგებს.

Რატომ არის ფედერალური სწავლა მნიშვნელოვანი წარმოების კომპანიებისთვის?

Ფედერალური სწავლა მწარმოებლებისთვის საშუალებას აძლევს, ერთმანეთთან დაუკავშირდნენ მოდელების შესწავლა სხვადასხვა საწარმოში, რაც უზრუნველყოფს მონაცემთა პირადულობას. ეს აუმჯობესებს მოდელის სიზუსტეს და უზრუნველყოფს მონაცემთა დაცვის მოთხოვნების დაცვას, როგორიცაა GDPR, რაც ხდის მას მიმზიდველ მიდგომას საწარმოებშორის მონაცემთა ანალიზისთვის.