У нашому звіті ми запитали представників угорських компаній на тему великих даних, штучного інтелекту (МІ) та машинного навчання, які вже використовують ці нові технології в промислових або виробничих умовах.

productiontrend

У наших оглядах технологій ми зазвичай повідомляємо про рішення та випадки, які можуть допомогти керівникам та особам, що приймають рішення виробничих та промислових компаній, зорієнтуватись у цифровій трансформації завдяки досвіду вже реалізованих проектів. У цій статті ми представляємо постачальників, які допомагають компаніям із машинним навчанням та керованими штучним інтелектом алгоритмами отримувати якомога більше доходу.

Індустрія 4.0 базується на мережі дешевих і більш поширених датчиків, штучного інтелекту та машинного навчання на її основі, і все це зумовлено даними, з яких машина дізнається в нейронній мережі, що є оптимальним та ефективним. Більшість людей використовують інструменти (наприклад, сайт соціальних мереж, чат-бот, Spotify, Netflix), у яких вже є штучний інтелект, і ці технології можуть з’являтися на заводах від прогнозування замовлень до прогнозного обслуговування.

Перетворіть дані на прибуток

Важливою сферою використання штучного інтелекту, заснованого на нейронних мережевих моделях, є прогнозний аналіз, в якому він черпає закономірності з аналізу шаблонів, що базуються виключно на історичних даних.

Сьогодні дані збираються у всіх галузях виробництва під час виробничих процесів, будь то виробництво, постачання, замовлення, продаж або обслуговування споживачів. Ці дані подають машинне навчання, системи, оснащені технологією штучного інтелекту. Без даних вони не змогли б навчитися, розвиватися або навіть творити. Дані підтримують ділові рішення від розробки стратегії до повсякденних операцій.

На ринку мало професіоналів, які мають досвід у промисловому застосуванні штучного інтелекту, тому товари дуже, дуже високі, що робить проекти МІ дорогими. Рішення полягає в корпоративному навчанні. Організаціям потрібно готувати власних вчених-даних, експертів, "для поширення мислення даних!" - каже Іштван Надь-Рач, керівник Dmlab, де окрім допомоги компаніям у процесі прийняття рішень, заснованих на даних, вони отримали позначку, щоб навчити зацікавлені сторони, що і як використовувати дані. «Ми пропонуємо корпоративні програми, в яких ми співпрацюємо з працівниками компанії, щоб створити прототип проекту даних, щоб співробітники компанії могли знайти рішення реальних проблем у власних ресурсах компанії, щоб вони могли вивчити необхідну науку даних, машинне навчання, ШІ або знання про великі дані., які вони можуть використовувати у своїй щоденній роботі одразу після навчання. «Ми працюємо як постачальник, але передаємо всі ноу-хау та сам код, щоб дати нашим партнерам якомога більше знань під час проекту».

Від описових даних до машинного навчання до зростання доходів

Потенціал BI (бізнес-аналітики) можна найкраще використати, отримавши та обробивши дані, необхідні для прийняття рішень з усіх можливих джерел, як всередині компанії, так і за її межами. Інтеграція та обробка цих різноманітних даних дає інтелект методів машинного навчання.

Бізнес-аналітика є ключовим елементом корпоративного управління в 21 столітті, менеджерам та особам, що приймають рішення, потрібно витягати значущу, цінну інформацію з постійно зростаючих наборів даних, а також контролювати ефективність виробництва, постачання та організації, забезпечувати все більш точні прогнози залишатися конкурентоспроможними.

BI, або бізнес-аналітика, охоплює відкриття ділових даних, що означає пошук, підготовку та подання даних, необхідних для прийняття рішень на основі даних.

Ми можемо найкраще проілюструвати урок про необхідність BI на прикладі Петера Салги, генерального директора Dyntell: але як наочний приклад того, скільки накладних на поставку не виставлялося компанії за останні п’ять років. За лічені хвилини було виявлено дебіторську заборгованість у багато мільйонів форинтів, в результаті чого керівник компанії почав гарячковий телефонний дзвінок під час презентації, щоб негайно видати ці рахунки. Зазвичай програмне забезпечення BI окупається, навіть якщо воно навіть не впроваджене ».

Застосування рішень штучного інтелекту та промисловості 4.0 у виробничому середовищі стало наріжним каменем конкурентоспроможності, і Dyntell (Dynamic Intelligence) спирається на це. Компанія відома в першу чергу завдяки плануванню ERP для малих і середніх підприємств (Dyntell ERP), але вони також розробляють та впроваджують динамічно розвивається систему бізнес-аналітики Dyntell BI. Компанії зазвичай використовують BI для візуалізації даних та прийняття рішень.

"У нас є команда машинного навчання, і оскільки ми працюємо з діловими даними, ми швидко розробили аналіз часових рядів", - представив Сальга команду Predynt, яка займається питаннями ІМ у Dyntell.
Динамічний ряд - це коли дані доступні з часом. Зазвичай це можуть бути дані книги замовлення компанії, яка показує, коли замовлення виконується, а також дані з виробничої лінії та верстатів, а також часові ряди.
“Якщо в часових рядах достатньо даних, можна проаналізувати закономірності, існують різні методи машинного навчання. Алгоритми регресії та нейронні мережі використовують статистичний метод, щоб показати, який наступний шаблон очікується найближчим часом ».

ЩО - скільки штук потрібно?

Петр Сальга представив науку прогнозування на прикладі харчової промисловості. «Хлібопекарня - член групи з управління нерухомістю та готелями - постачає власні готелі та менші пекарні продуктами. З їхнього боку було потрібно сказати/передбачити, скільки різних хлібобулочних виробів очікується закінчитися, наприклад, скільки круасанів буде потрібно наступного дня. Маючи можливість заздалегідь передбачити, скільки круасанів буде втрачено в даному магазині в певні дні, ми можемо збільшити прибуток. Зрештою, якщо вони виробляють більше, ніж мали б, надлишок витрачається даремно, якщо менше - вони залишають гроші на столі ». Протягом двомісячного тестового періоду досліджувались не тільки закономірності даного часового ряду, а й зовнішні часові ряди, такі як погода, відпустки, період навчання, роль курсу євро тощо. "Можна визначити багато чутливих параметрів, на яких ми можемо зосередитися, щоб проаналізувати, що вплинуло на споживання в минулому". Ці прогнози автоматично вводяться в систему корпоративного управління пекарні та використовуються для виробництва хлібобулочних виробів наступного дня.

Дослідження ефективності

SZTAKI займається машинним навчанням та штучним інтелектом з 80-х років, спочатку головним чином у зв'язку з управлінням процесами та обробкою зображень. Це означало, що під час різних технологічних операцій, таких як свердління або фрезерування, перевірялося, чи є якість адекватною та чи зламається інструмент. "З кінця 2000-х років тема оцифровування стала дуже популярною, і там було досить багато областей застосування, оскільки доступно все більше даних, що дозволяє нам скористатися можливостями МІ", - сказав Давід Гюлай, Доктор філософії, науковий співробітник MTA SZTAKI, Лабораторія бізнес-аналітики. У спільній проектній компанії MTA SZTAKI та німецької дослідницької мережі Fraunhofer EPIC InnoLabs Kft., Гюлай координує завдання, пов'язані з аналізом промислових даних та машинним навчанням, досліджує управління виробництвом та моделювання виробництва.

У цій галузі Гюлай бачить три ключові напрямки: «Що найбільше цікавить компанії, це те, що відбувається під час виробництва, які процеси відбуваються, яка ефективність і стан машин, і як контролювати стан замовлення. Це проста область аналізу даних, це має бути першим кроком для компаній. З цього вже випливає інша область: вивчаючи взаємозв'язки, щоб побачити, які фактори впливають на виробництво, я хочу побачити, чи є товар поганим, то чому він поганий, важливо мати можливість простежити, що сталося під час виробництва. І третя велика область - це прогнозування, будь то обслуговування, вимоги до запасів чи кількість замовлення ". Більшість їх проектів пов'язані з управлінням виробництвом. Вже можна збирати дані, за допомогою яких виробничі параметри та терміни виконання можна легко розрахувати під час виробництва, а технологія дозволяє їх виявляти в режимі реального часу. «Ми маємо справу з управлінням даними, пов’язаними з управлінням виробництвом. Ми намагаємось обробляти дані, доступні в системах MES, ERP, PLC, таким чином, щоб спеціалісти з управління виробництвом мали від них корисну інформацію ».

Обробляючи промислові дані та роблячи їх доступними для ІМ, можна створити машинне навчання не лише для реалізації процесів прийняття рішень, керованих даними, але й для автоматизації цих рішень, тим самим покращуючи ефективність, забезпечуючи більше, краще та дешевше виробництво.