Կարո՞ղ է առաջատար տվյալների վերլուծությունը լինել որոշիչ գործոնը արդյունաբերական ժամանակակիցացման գործում

Արդյունաբերական ինտերնետի բազմացման դարաշրջանում (IIoT) արտադրական ինտելեկտը զարգանում է պարզ դիտարկումից դեպի ինքնավար տիրապետում։ Այս զարգացման կենտրոնում գտնվում է Տվյալների վերլուծություն տվյալների վերլուծության բարդ կիրառումը։ Եթե նկարագրական միջոցները պարզապես հաշվառում են անցյալի իրադարձությունները, ապա համաշխարհային արդյունաբերական մրցակցության հաջորդ սերունդը մղվում է երկու ապագայական մեթոդաբանությունների միջոցով՝ կանխատեսող և նախատեսող մոտեցումներով։ Քանի որ համաշխարհային գործարանները շրջվում են ինքնաբուժվող համակարգերի և շփոթություններից զերծ մատակարարման շղթաների կողմը, առաջանում է հիմնարար լարվածություն. Ինչպե՞ս են տարբերվում այս երկու տրամաբանական համակարգերը, և որն է տրամադրում գործառնական գերակայության վերջնական ծրագիրը։

Ի՞նչն է ժամանակակից Տվյալների վերլուծություն ?

Արդյունաբերության 4.0-ի բարդությունները հասկանալու համար անհրաժեշտ է տարբերակել կանխատեսող և նախատեսող շերտերը Տվյալների վերլուծություն .

Կանխատեսողական անալիտիկա գործում է որպես բարձր ճշգրտությամբ կանխատեսման շարժիչ: Պատմական հիմնադրամները միավորելով իրական ժամանակում հոսքային տեղեկատվության հետ՝ այն օգտագործում է բարդ մեքենայական ուսուցման (ML) ճարտարապետություններ և ռեգրեսիայի մատրիցներ՝ ապագայի վիճակները կանխատեսելու համար: Ավտոմատացված արտադրական գծում սա դրսևորվում է սարքավորումների աստիճանական վատացման կանխատեսման ունակությամբ՝ օրինակ՝ ռոբոտային թևի ջերմային ստորագրության անկանոնությունները հայտնաբերելով ավելի վաղ, քան կատաստրոֆիկ ավարիան տեղի ունենա: Այն մետաղական թվերը վերափոխում է «կանխատեսման» մեջ:

Մյուս կողմից, նախատեսված վերլուծություն ներկայացնում է թվային հիերարխիայի գործադիր մակարդակը: Այն գերազանցում է պարզ կանխատեսումը՝ առաջարկելով կոնկրետ, օպտիմալացված լուծումներ բազմաշերտ շահագործական խնդիրների լուծման համար: Սահմանափակումների վրա հիմնված ծրագրավորման, էվրիստիկ ալգորիթմների և արհեստական ինտելեկտի ինտեգրման միջոցով նախատեսված շարժիչները մոդելավորում են բազմաթիվ հնարավոր ռազմավարություններ: Այս վերլուծության ճյուղը Տվյալների վերլուծություն  ոչ միայն զգուշացնում է, որ խնդիր է մոտենում, այլև սահմանում է խնդրից խուսափելու և ամենանպաստ արդյունքը ապահովելու համար անհրաժեշտ գործողությունների ճշգրիտ հաջորդականությունը։

Ինչպես է այն աշխատում. Տեղեկատվության վերափոխումը կատարման

Սենսորներով սարքավորված արտադրամասից մինչև ռազմավարական գործադիր որոշում հասնելու ճանապարհը բազմաշերտ գործընթաց է, որը հիմնված է համակարգված Տվյալների վերլուծություն գծերի վրա։

• Տեղեկատվության հավաքագրում. Կյանքի ցիկլը սկսվում է տարբեր տվյալների հավաքագրմամբ։ Արդյունաբերական ոլորտում սա ներառում է PLC կառավարիչներից ստացվող կառուցվածքավոր հեռատեղեկատվությունը և տեխնիկների մեկնաբանություններ կամ ակուստիկ սենսորների տվյալների նման կառուցվածքավորված մուտքային տվյալները։

• Ալգորիթմային մշակում. Այնուհետև տվյալները մտնում են մոդելավորման փուլ։ Նախատեսված գործիքները հաճախ օգտագործում են ARIMA հիմնական կառուցվածքներ ժամանակային միտումների նույնացման համար կամ LSTM (երկարաժամկետ կարճաժամկետ հիշողություն) ցանցեր՝ ժամանակային շարքերի մեջ ոչ գծային կապերը վերլուծելու համար։ Այս մոդելների ամբողջականությունը հիմնականում կախված է մուտքային տվյալների մանրամասնությունից։

• Դինամիկ սիմուլյացիա. Սա այն պահն է, երբ նախատեսված Տվյալների վերլուծություն ներկայացնում է բարձր արժեք։ Այն օգտագործում է Մոնտե Կառլոյի մոդելավորումը և օպտիմիզացիայի լուծիչներ՝ ստուգելու հազարավոր «ինչ-եթե» տարբերակները։ Էներգիայի սպառման և արտադրական վերջնաժամկետների փոփոխականները կշռելով՝ այն որոշում է գործողության մաթեմատիկական «օպտիմալ կետը»։

• Ռեկուրսիվ օղակը. Եթե կանխատեսող ելքերը հաճախ կանգնում են վերահսկման վահանակի մոտ, ապա նախատեսված համակարգերը հաճախ բնութագրվում են փակ օղակի հետադարձ կապով։ Ինչպես մեքենայացված ինտելեկտի առաջարկները իրականացվում են, այնպես էլ ստացված կատարման տվյալները անմիջապես վերամշակվում են մոդելում, ինչը հնարավորություն է տալիս համակարգին սովորել և յուրաքանչյուր կրկնության ընթացքում հարմարեցնել իր առաջարկները։

Ի՞նչ է դրա կիրառումը. Գործնական լուծումներ և ոլորտի վերլուծություն

Բարձրակարգ տվյալների վերլուծության կիրառումը բերում է չափելի ֆինանսական և գործառնական եկամուտներ, հատկապես տրանսպորտային և ֆինանսական ռիսկերի նվազեցման ոլորտներում։

Կանխատեսող չափանիշը. Կանխարգելիչ սպասարկում
Իմաստուն արտադրության ոլորտում արտադրամասերի վարչավարները օգտագործում են կանխատեսման հիման վրա հիմնված ալգորիթմներ՝ ապահովելու անվտանգ պաշարների ճշգրտումը: Մաքքինսիի կողմից հավաքված փաստացի տվյալները ցույց են տալիս, որ այսպիսի տվյալների վրա հիմնված պաշարների կառավարումը կարող է նվազեցնել պաշարների սպառման դեպքերը մոտավորապես 20%-ով: Ավելին, արդյունաբերական հաճախորդների ֆինանսական ստուգման ժամանակ Upstart-ի նման հարթակները ներդրել են կանխատեսման վրա հիմնված վարկային մոդելավորում, որը ներառում է հազարավոր փոփոխականներ: Դա հայտնի է դարձել վարկերի կորուստների մասնաբաժնի 75%-ով նվազեցման մասին՝ համեմատության մեջ դնելով հին վարկային գնահատման մեթոդների հետ, ինչը ցույց է տալիս ճշգրիտ կանխատեսումների ուժը:

Նախատեսված չափանիշը. Իմաստուն համակարգավորում
Նախատեսվող տվյալների վերլուծությունը գերազանցում է բարձր էնտրոպիայի միջավայրերում, ինչպես օրինակ՝ համաշխարհային տրանսպորտային տրամադրումը: Եթե տեղական աշխատավորների ստրայկ կամ բնական աղետ խաթարում է մի փոխադրման ուղի, ապա նախատեսվող լուծույթը կարող է ինքնուրույն վերահաշվարկել ամբողջ բաշխման ցանցը: Հաշվի առնելով փոխկախվածությունները՝ օրինակ՝ նավահանգիստների սակագների տատանումները և պահպանման ժամկետի սահմանափակումները, համակարգը տալիս է հստակ վերաուղղման ցուցում, որը նվազեցնում է ծախսերը և կանխում է կուտակումները՝ անտեսելով մարդկային ճգնաժամի կառավարման սահմանափակումները:

Ի՞նչ է նրա մրցակցային առավելությունը համաշխարհային շուկայում:

Կանխատեսման մոտեցումից նախատեսվող մոտեցմանը անցումը առաջարկում է մի շարք ստրատեգիական միջոցներ, որոնք սահմանում են արդյունաբերական առաջատարության վարպետներին:

Սուբյեկտիվության վերացում. Կանխատեսման գործիքները տրամադրում են տվյալներ, սակայն դեռևս հիմնված են մարդկային մեկնաբանության վրա, որը կարող է ենթարկվել հոգնածության կամ մտավոր նախապաշարման: Նախատեսվող տվյալների վերլուծությունը օգտագործում է ԱԻ-ն՝ տրամադրելու օբյեկտիվ, ապացույցների վրա հիմնված ցուցումներ, որոնք ապահովում են մաթեմատիկորեն լավագույն ընտրության առաջնայնությունը:

Ամբողջական արժեքային շղթայի օպտիմալացում. Կանխատեսող մոդելները հաճախ գործում են իզոլյացված ձևով (օպտիմալացնելով մեկ պոմպ կամ շարժիչ), իսկ նախատեսված մոտեցումները մոդելավորում են ամբողջ կազմակերպության էկոհամակարգը՝ ապահովելով, որ արտադրության արագության աճը չի հանգեցնի անտանելի աճի սպասարկման ծախսերում:

Հիպեր-ռեակտիվություն. Բարձր արագությամբ արտադրության մեջ կանխատեսումից մինչև գործողություն կատարելը տևողության հետաձգումը կարող է թանկալի լինել: Նախատեսված գործիքները առաջարկում են գրեթե ակնթարտ ուղեցույցներ՝ հնարավորություն տալով իրական ժամանակում ճշգրտումներ կատարել և պահպանել արտադրական նպատակների վրա հսկողություն:

Մտավոր բեռնվածության թեթևացում. Այս գործիքները անմիջապես ներկայացնելով «օպտիմալ ճանապարհը», թեթևացնում են արտադրամասի վերահսկիչների վրա դրված որոշումներ կայացնելու բեռնվածությունը: Սա հնարավորություն է տալիս մարդկային տաղանդներին շեղվել արտակարգ իրավիճակների լուծումից և կենտրոնանալ բարձրակարգ նորարարությունների և երկարաժամկետ մասշտաբավորման վրա:

Եզրակացություն. Նախատեսված մասնագիտացման դեպի նոր մոդելի փոխակերպում

Նախատեսվող և նախատեսական տվյալների վերլուծության գնահատման ընթացքում նպատակը չէ ընտրել մեկը մյուսի փոխարեն, այլ՝ զարգանալ դրանց միջոցով: Նախատեսվող տեսանկյունները տրամադրում են անհրաժեշտ «ռադարը», որպեսզի հայտնաբերվեն մոտալուտ ռիսկերը, սակայն նախատեսական ինտելեկտը տրամադրում է «ինքնավար վերահսկման համակարգը», որպեսզի շրջանցվեն դրանք:

Արդյունաբերական կազմակերպությունների համար, որոնք ձգտում են գերակայության 2020-ականների վերջին, այս երկահարկ մոտեցման ընդունումը ստրատեգիական անհրաժեշտություն է: Քանի որ մեքենայական ստեղծված տվյալների ծավալը շարունակում է աճել էքսպոնենցիալ կերպով, հաղթողները կլինեն այն կազմակերպությունները, որոնք կարող են ոչ միայն պատկերացնել ապագան, այլև մաթեմատիկորեն որոշել այն ամենաարդյունավետ ճանապարհը, որով կարելի է ապրել դրա մեջ: Ռեակտիվ դիտարկումից նախատեսական օպտիմալացման անցումը դարձել է ինքնավար ձեռնարկության նոր չափանիշը:

Աղբյուրներ՝

https://www.qlik.com/us/predictive-analytics/predictive-vs-prescriptive-analytics

https://www.euautomation.com/sg/knowledge-hub/read/blogs/predictive-vs-prescriptive-analytics--how-do-they-differ

(Եթե կա հեղինակային իրավունքի խախտում, խնդրում ենք կապվել ինձ հետ՝ այս հոդվածը հեռացնելու համար։)

Հաճախակի տրվող հարցեր (FAQ)

1. Ի՞նչն է հիմնական տարբերությունը նախատեսվող և նախատեսական վերլուծության միջև:

Նախատեսվող վերլուծությունը կանխատեսում է ապագայի արդյունքները և պատասխանում է «Ի՞նչ է հավանաբար տեղի ունենալու» հարցին: Նախատեսվող-նշանակող վերլուծությունը առաջարկում է լավագույն գործողությունները և պատասխանում է «Ի՞նչ պետք է անենք» հարցին:

2. Ինչպե՞ս է նախատեսվող-նշանակող վերլուծությունը նվազեցնում մարդկային կողմնակալությունը:

Նախատեսվող-նշանակող վերլուծությունը օգտագործում է արհեստական ինտելեկտը և օպտիմալացման ալգորիթմները՝ ստեղծելու առարկայական, տվյալների վրա հիմնված առաջարկներ, ինչը նվազեցնում է մարդկային ինտուիցիայի և սուբյեկտիվ որոշումների վրա հիմնված կախվածությունը:

3. Կարո՞ղ են այս վերլուծությունները բարելավել մատակարարման շղթայի ճկունությունը:

Այո: Նախատեսվող-նշանակող վերլուծությունը կարող է արագ ճշգրտել տրանսպորտային պլանները խափանումների ժամանակ՝ վերլուծելով այնպիսի գործոններ, ինչպես պաշարները, տրանսպորտային երթուղիները և առաքման սահմանափակումները:

4. Ի՞նչ դեր են խաղում հետադարձ կապի օղակները նախատեսվող-նշանակող համակարգերում:

Հետադարձ կապի օղակները հնարավորություն են տալիս համակարգին անընդհատ սովորել գործողությունների արդյունքներից: Նոր կատարողականության տվյալները վերադարձվում են մոդելի մեջ՝ ապագայի առաջարկների բարելավման համար:

5. Դեռ կարևոր է արդյո՞ք նախատեսվող վերլուծությունը:

Այո, անպայման։ Նախատեսողական վերլուծությունը նույնացնում է ապագայի ռիսկերն ու հնարավորությունները, իսկ նախատեսված վերլուծությունը որոշում է լավագույն պատասխանը։ Շատ արդյունաբերական ընկերություններ երկուսն էլ միաժամանակ օգտագործում են՝ որոշումների ավելի լավ կայացման համար։