نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

16 آذر 1401 4:56 ب.ظ

تجزیه و تحلیل پیش بینی و نقش آن در تولید صنعتی

8 دسامبر 2020ریوخی فوجیماکی

در شرایط موجود ، دنیای تولید هیچ چالشی کم ندارد. صنایع در حال بیدار شدن ازخوابشان در مورد هوش مصنوعی و پذیرش برنامه های پیشرفته تجزیه و تحلیل از جمله تشخیص از توقفات تولید ، نظارت بر کیفیت در زمان واقعی و بهینه سازی زنجیره تامین است. اخیراً شرکت مشاور دلویت در یک نظرسنجی درباره پذیرش هوش مصنوعی تولید گزارش داده است که 93 درصد شرکت ها معتقدند هوش مصنوعی یک فناوری مهم برای رشد و نوآوری درصنایع خواهد بود.

پیش بینی تجزیه و تحلیل به طور فزاینده ای به عنوان دارو برای رفع نقاط درد در فرایند تولید دیده می شود. این روش مجهز به هوش مصنوعی از داده های تاریخی و زمان واقعی برای پیش بینی نتایج مهم آینده ، کاهش خطرات ، بهبود عملیات ، کاهش هزینه ها و افزایش درآمد استفاده می کند.

گارتنر  این روش یعنی Predictive Analytics (PA) را نوعی تجزیه و تحلیل پیشرفته تعریف می کند که داده ها یا محتوا را بررسی می کند تا به سوال “چه اتفاقی می افتد؟” جواب دهد . تولیدکنندگان می توانند برای دستیابی به چابکی ، بینش عمیق تر و تصمیم گیری سریعتر و دقیق تر ، به PA اعتماد کنند.

بهترین راه برای شروع استفاده از ابزار یادگیری خودکار ماشینی (AutoML) است. سیستم عامل های AutoML به متخصصان و تکنسین های پردازش اجازه می دهد تا با لمس یک دکمه به طور خودکار مدل های پیش بینی را ساخته ، اعتبار سنجی کرده و مستقر کنند.

ساده سازی مراحل پیاده سازی

در حالی که PA می تواند فواید چشمگیری برای صنعت و تولید به همراه داشته باشد ، به دلایل مختلف اجرای روش های PA در محیط های تولید می تواند بسیار چالش برانگیز باشد. اول از همه ، گردش کار استاندارد پیش بینی تجزیه و تحلیل مبتنی بر AI و ML پیچیده و طاقت فرسا ، با مدت زمان طولانی است. یک پروژه معمولی شامل آماده سازی داده ها ، مهندسی ویژگی ها ، انتخاب الگوریتم ، آموزش مدل ، آزمایش و استقرار است و بین 6-9 ماه طول می کشد.

بدست آوردن داده های با کیفیت در یک محیط تولید بسیار دشوار است زیرا هر سایت تولیدی می تواند چندین ERP و سیستم اجرایی ساخت داشته باشد. سیستم های متفاوت ، پاک سازی و تجمیع داده ها ، ویژگی های ساخت و تولید مدل به صورت دستی می تواند خسته کننده ، گران و پرمشغله شود. زمانی که آموزش و اعتبار سنجی را انجام می دهید ، و احتمال منفی بودن مدل های AI / ML زیاد باشد.

راه حل های تجزیه و تحلیل پیش بینی شده ساخته شده با استفاده از سیستم های سنتی AutoML برای متخصصان علوم داده طراحی شده اند و استفاده از آنها برای تیم های سازنده آسان نیست. این سیستم ها منحنی یادگیری تندی دارند و استفاده از آنها دست و پا گیر است. غالباً فروشندگان در زمینه علوم داده ، آموزش کافی نمی بینند و هوش مصنوعی را برای موارد استفاده روزمره پیاده سازی می کنند.

با  روش تولید به موقع ، بسیاری از برنامه ها نیاز به  کمترین تأخیر دارند که پردازش در زمان واقعی را می طلبد. یک سیستم ML که تحت این شرایط سخت عملیاتی مستقر شده است باید دارای قابلیت تجزیه و تحلیل جریان برای پردازش داده ها در یک ثانیه (اغلب پردازش میلی ثانیه) باشد. روش پردازش دسته ای کار نمی کند.

سرانجام ، سایت های تولیدی به دلیل حساس بودن داده ها ، امکان تجزیه و تحلیل مبتنی بر ابر را ندارند. استقرار داخلی ، لبه ای برای محیط های تولید از راه دور و محدود به منابع ، مزایای قابل توجهی را فراهم می کند. با این حال ، بسیاری از فروشندگان نمی توانند مدل های موجود در لبه را در ردپاهای حافظه کوچک مانند سرورهای لبه یا دروازه ها را مستقر کنند.

استفاده از همه ابزارها

تولید هوشمند به قابلیت پیش بینی در زمان واقعی برای موارد استفاده مانند ذخیره موجودی برای تولید به موقع ، نظارت بر کیفیت و تشخیص ناهنجاری نیاز دارد. یک رویکرد مدل سازی سنتی بسیار پیچیده می شود و نیاز به سرمایه گذاری قابل توجهی در زیرساخت ها دارد. یک مانع اساسی در تجزیه و تحلیل پیش بینی کننده هوش مصنوعی ، یافتن استعداد است – دانشمندان داده ، معماران داده ، مهندسان یادگیری ماشین در ساخت ، آزمایش و استقرار مدل های ML. AutoML روند کار تجزیه و تحلیل پیش بینی را ساده می کند ، و اتوماسیون هوش مصنوعی به متخصصان عملیاتی اجازه می دهد تا مدل سازی پیش بینی را به سرعت و به طور کارآمد اجرا کنند.

سیستم های سنتی AutoML تمایل به اتخاذ روش هایی دارند که به عنوان رویکردهای جعبه سیاه شناخته می شوند و باعث ایجاد حداقل بینش عملی و در نتیجه عدم پاسخگویی در روند تصمیم گیری می شوند. راه حل پارادوکس شفافیت یک رویکرد جدید است که شامل استفاده از مدل های جعبه سفید است. مدل سازی جعبه سفید به معنای تولید ویژگی ها و مدل های شفاف است که تیم هوش مصنوعی شما را قادر می سازد تا پروژه های پیچیده را با اطمینان انجام دهد.

سیستم عامل های سنتی AutoML تمایل به اتخاذ روش هایی دارند که به عنوان رویکردهای جعبه سیاه شناخته می شوند و باعث ایجاد حداقل بینش عملی و در نتیجه عدم پاسخگویی در روند تصمیم گیری می شوند. راه حل پارادوکس شفافیت یک رویکرد جدید است که شامل استفاده از مدل های جعبه سفید است. مدل سازی جعبه سفید به معنای تولید ویژگی ها و مدل های شفاف است که تیم هوش مصنوعی شما را قادر می سازد تا پروژه های پیچیده را با اطمینان انجام دهد.

مدل های جعبه سفید (WBMs) توضیحات روشنی درباره نحوه رفتار ، نحوه تولید پیش بینی ها و مولفه های متغیر در مدل ارائه می دهند. WBM به دلیل روند شفاف مدل سازی “کار درونی” و رفتار آسان تفسیری ، در بسیاری از موارد تجزیه و تحلیل پیش بینی ، مزایای قابل توجهی را به همراه دارد. توضیح در صنایع تولیدی بسیار مهم است. با ارائه بینشی در مورد نحوه کارکرد مدل های پیش بینی و استدلال در پیش بینی ها ، سازمان های تولیدی می توانند اعتماد ایجاد کرده و شفافیت را افزایش دهند.

سیستم عامل های AutoML نسل بعدی ، با نام مستقل AutoML 2.0 ، تجزیه و تحلیل پیش بینی را برای تولیدات صنعتی امکان پذیر می کنند و بدون نیاز به منابع علمی اضافی داده توسط تیم عملیاتی قابل استفاده هستند. ابزارهای AutoML 2.0 همچنین می توانند از تخصص دامنه اپراتورها برای افزایش عملکرد استفاده کنند. با استفاده از تکنیک های تحت نظارت ML ، سیستم های AutoML 2.0 می توانند الگوهایی را در داده های تولید پیدا کنند ، انحراف در کیفیت را شناسایی کرده و برای جلوگیری از تکرار مجدد ، SME ها را توانمند کنند.

به صورت همزمان ، اتوماسیون هوش مصنوعی و AutoML پیچیدگی های خط جریان را پنهان می کند ، مهندسی ویژگی را به صورت خودکار انجام می دهد و سایر مراحل مورد نیاز فرآیند هوش مصنوعی را در اختیار شما قرار می دهد و تیم های تولیدی را قادر می سازد تا به جای ماه ها مدل های پیش بینی را در چند روز بسازند. اتوماسیون هوش مصنوعی به کارکنان تولید این امکان را می دهد تا روی کارهای روزمره تمرکز کنند ، پیش پردازش داده ها را به صورت خودکار انجام دهند و برای ساخت مدل ها با کلیک یک دکمه ، مهندسی ویژگی ها را انجام دهند.

تعداد کمی از صنایع می توانند از تجزیه و تحلیل های پیش بینی کننده بیش از بخش تولید بهره مند شوند. این بخش مقدار زیادی داده تولید می کند ، شامل کارهای تکراری دستی است و مشکلات چند بعدی را فراتر از محدوده بسیاری از ابزارهای معمول ارائه می دهد. این که آیا کیفیت را بهبود می بخشد ، چه زمان خرابی را کاهش می دهد و یا بهره وری را بهینه می کند ، تجزیه و تحلیل پیش بینی کننده هوش مصنوعی یک روش عالی برای حل بسیاری از مشکلات پیچیده تولید است.

https://www.manufacturing.net

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *