Кеңістіктік деректерді талдау өнеркәсіптің заманауиленуіндегі шешуші фактор бола ала ма?

Өндірістік интернеттің (IIoT) ұлғаю кезеңінде өндірістік ақыл-ой қарапайым бақылаудан автономды басқаруға дейін дамып келеді. Бұл даму процесінің орталығында — Деректерді талдау — күрделі қолданыс жатыр. Сипаттаушы құралдар тек өткен оқиғаларды тіркеумен шектеледі, ал келешектегі өндірістік бәсеке екі алға қараушы әдістер арқылы жүзеге асырылады: болжамдық және ұсыныс беретін тәсілдер. Әлемдегі зауыттар өздерін түзететін жүйелер мен ыңғайлы жеткізу тізбегіне қарай бұрылып келеді, сондықтан негізгі кернеу пайда болады: бұл екі логикалық жүйе қалай айырылады және қайсысы операциялық асыртқылық үшін соңғы нұсқаулық болып табылады?

Заманауи Деректерді талдау ?

«4.0» өндірісінің күрделілігін түсіну үшін болжамдық және ұсыныс беретін қабаттарды ажырату қажет Деректерді талдау .

Болжау аналитикасы жоғары дәлдікті болжау қозғалтқышы ретінде қызмет етеді. Тарихи негіздемелер мен нақты уақыттағы ағынды ақпаратты біріктіре отырып, ол келешектегі жағдайларды алдын ала болжау үшін күрделі машиналық оқыту (МО) архитектуралары мен регрессиялық матрицаларын қолданады. Автоматтандырылған өндіріс жолағында бұл құрылғының тозуын алдын ала болжау мүмкіндігін білдіреді — мысалы, роботтық иықтағы тербелмелі жылу белгілерін апаттық істен шығу орын алуға дейін ұзақ уақыт бұрын анықтау. Ол шамасыз сандарды «алдын ала көру»-ге айналдырады.

Екінші жағынан, тәсілдік аналитика цифрлық иерархияның басқарушы деңгейін білдіреді. Бұл тек болжаудан асып түседі, өйткені көптеген қиын операциялық мәселелерді шешуге бағытталған нақты, оптималды ұсыныстарды ұсынады. Шектеулерге негізделген бағдарламалау, эвристикалық алгоритмдер мен жасанды интеллектіні интеграциялау арқылы тәсілдік қозғалтқыштар көптеген мүмкін болатын стратегияларды модельдейді. Бұл саланың Деректерді талдау  бірден проблеманың пайда болатынын ескертпейді; ол мәселені айналып өту үшін қажетті нақты әрекеттер тізбегін және ең тиімді нәтижеге қол жеткізу үшін қажетті шараларды көрсетеді.

Қалай жұмыс істейді: Ақпаратты орындауға айналдыру

Сенсорлармен жабдықталған өндірістік алаңнан стратегиялық басқарушылық шешіміне дейінгі жол — бұл мықты Деректерді талдау деректер құбырларына сүйенетін көпқабатты процесс.

• Ақпарат жинау: Бұл цикл әртүрлі деректер жиынтығын қабылдаудан басталады. Өндірістік салада бұған PLC-контроллерлерден түсетін құрылымдалған телеметриялық деректер мен техниктердің жазбалары немесе акустикалық сенсорлардан түсетін құрылымдалмаған деректер кіреді.

• Әлгебралық өңдеу: Деректер одан әрі модельдеу сатысына өтеді. Болжамды құралдар жиі уақыттық бағыттағы трендтерді анықтау үшін ARIMA-тәрізді құрылымдарды немесе уақыттық қатарлардағы сызықты емес корреляцияларды түсіну үшін LSTM (Ұзақ мерзімді қысқа мерзімді есте сақтау) желілерін қолданады. Осы модельдердің сенімділігі негізінен енгізілетін деректердің дәлдігіне байланысты.

• Динамикалық симуляция: Бұл — предписательлік Деректерді талдау жоғары деңгейдегі құндылықты ұсынады. Ол мыңдаған «егер-онда» нұсқаларын сынау үшін Монте-Карло симуляциялары мен оптимизациялау шешімдерін қолданады. Энергия тұтынуын өндірістік мерзімдерге қатысты салыстыра отырып, ол жұмыс істеу үшін математикалық «тәтті нүктені» анықтайды.

• Рекурсивті цикл: Болжамды нәтижелер көбінесе бақылау панелінде тоқтайды, ал көрсеткіштік жүйелер жиі тұйық циклды кері байланыспен сипатталады. Жасанды интеллекттің ұсыныстары орындалған кезде, пайда болған жұмыс нәтижелері дер кезінде модельге қайта енгізіледі, сондықтан жүйе әрбір қайталау кезінде үйреніп, өз ұсыныстарын баптайды.

Оның қолданылуы: Тәжірибелік шешімдер мен салалық талдау

Жоғары деңгейлі деректерді талдауды енгізу логистика және қаржылық рисктерді азайту саласында айқын көрінетін қаржылық және операциялық пайданы қамтамасыз етеді.

Болжамдық өлшемі: Алдын алу мақсатындағы жөндеу
Ақылды өндіріс саласында өндірістік объектілердің басқарушылары қауіпсіздік қорын реттеу үшін болжамды алгоритмдерден пайдаланады. McKinsey-дің эмпирикалық зерттеулеріне сәйкес, мұндай деректерге негізделген ассортименттік басқару қоймаға тапсырыс берілмеген жағдайларды шамамен 20% қысқартуға мүмкіндік береді. Сонымен қатар, өнеркәсіптік клиенттердің қаржылық бағалауында Upstart сияқты платформалар мыңдаған айнымалыны қамтитын болжамды несиелік модельдеудің жаңашыл әдістерін енгізді. Бұл әдіс ескірген бағалау әдістерімен салыстырғанда несие жоғалту көрсеткішін 75%-ға дейін төмендеткендігі хабарланған, бұл дәл болжаудың күшін көрсетеді.

Нұсқаушы өлшем: Ақылды оркестрлеу
Нормативті деректерді талдау глобалдық логистика сияқты жоғары энтропиялық орталарда өте жақсы нәтиже көрсетеді. Егер жергілікті еңбек көтерілісі немесе табиғи апат жеткізу бағытын бұзса, нормативті шешім қабылдаушы автоматты түрде барлық тарату желісін қайта есептей алады. Порттарға қойылатын өзгермелі тарифтер мен сақтау мерзімінің шектеулері сияқты өзара тәуелділіктерді бағалай отырып, жүйе шығындарды азайтып, тıрнақшалануды болдырмау үшін нақты қайта бағыттау нұсқауын береді, бұл адамның дағдарысқа қарсы басқаруының шектеулерінен айналып өтеді.

Оның әлемдік нарықтағы бәсекелестік артықшылығы қандай?

Болжамды талдаудан нормативті талдауға көшу өнеркәсіптік басшылықтың алдыңғы қатарын анықтайтын бірнеше стратегиялық рычагтарды ұсынады:

Субъективтілікті жояды: Болжамды құралдар деректерді ұсынады, бірақ әлі де адамның түсіндіруіне сүйенеді, ал бұл шаршағыштыққа немесе когнитивтік қатыға ұшырайды. Нормативті деректерді талдау ИИ-ды пайдаланып, объективті, дәлелдерге негізделген нұсқауларды ұсынады, сондықтан әрқашан ең жақсы математикалық шешім басымдыққа ие болады.

Барлық құндылық тізбегін оптималдау: Болжамдық модельдер жиі бір-бірінен бөлек жұмыс істейді (мысалы, бір ғана сорғы немесе электрқозғалтқышты оптималдау). Ал көрсеткіштік (прескриптивтік) тәсілдер ұйымның бүкіл экожүйесін моделдеу арқылы өндіріс жылдамдығын арттыру нәтижесінде жөндеу шығындарының тұрақсыз өсуіне жол бермейді.

Гипер-жылдам реакциялау: Жоғары жылдамдықтағы өндірісте болжам мен оған сәйкес әрекет арасындағы кешігу қымбатқа түсуі мүмкін. Көрсеткіштік құралдар жақын уақытта әрекет етуге мүмкіндік беретін нұсқаулар ұсынады, бұл өндіріс көрсеткіштерін нақты уақытта бақылауға мүмкіндік береді.

Когнитивтік жүктемені жеңілдету: Бұл құралдар «оптималды жолды» тікелей көрсету арқылы цех басшыларының шешім қабылдау жүктемесін азайтады. Бұл адамдардың қабілетін апаттарға қарсы күреске жұмсау орнына инновациялық әрекеттерге және ұзақ мерзімді масштабтауға бағыттауға мүмкіндік береді.

Қорытынды: Көрсеткіштік басқаруға қарай парадигманың ауысуы

Болжамдық және көрсеткіштік деректерді талдауды бағалағанда мақсат — біреуін екіншісінен таңдау емес, олар арқылы даму болып табылады. Болжамдық көрсеткіштер келешектегі қауптарды анықтау үшін қажетті «радар» қызметін атқарады, ал көрсеткіштік интеллект олардан айналып өту үшін «автопилот» қызметін атқарады.

2020-жылдардың соңында өндірістік субъектілер үшін үстемдікке жету мақсатында осы екі деңгейлі тәсілді қабылдау стратегиялық міндет болып табылады. Машина құрылғыларымен өндірілетін деректердің көлемі әрі қарай экспоненциалды өсуін жалғастырған сайын, жеңімпаздар болатындар — болашақты тек көрнекі түрде ғана емес, сонымен қатар оған ең тиімді тәсілмен кіру үшін математикалық түрде нұсқау беруге қабілеттілер болады. Реактивті бақылаудан көрсеткіштік оптимизацияға өту автономды кәсіпорын үшін жаңа стандарт болып табылады.

Дереккөздер:

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

(Егер копирайт бұзылған болса, бұл мақаланы жою үшін маған хабарласыңыз.)

Жиі қойылатын сұрақтар (ЖҚС)

1. Болжамдық және көрсеткіштік талдау арасындағы негізгі айырмашылық неде?

Болжамдық талдау болашақ нәтижелерді болжайды және «Ненің болуы мүмкін?» деген сұраққа жауап береді. Нұсқаулық талдау ең жақсы іс-әрекеттерді ұсынады және «Біз не істеуіміз керек?» деген сұраққа жауап береді.

2. Нұсқаулық талдау қалай адамның алдын ала қабылданған пікірін азайтады?

Нұсқаулық талдау объективті, деректерге негізделген ұсыныстарды қалыптастыру үшін өнеркәсіптік интеллект пен оптимизациялық алгоритмдерді қолданады, ол адамның интуициясына және субъективті шешімдеріне сүйенуді азайтады.

3. Бұл талдаулар жеткізу тізбегінің тұрақтылығын жақсарта ала ма?

Иә. Нұсқаулық талдау қоймадағы қорлар, тасымалдау бағыттары мен жеткізу шектеулері сияқты факторларды талдай отырып, ақаулар кезінде логистикалық жоспарларды тез түзетуге мүмкіндік береді.

4. Нұсқаулық жүйелерде кері байланыс циклдарының рөлі қандай?

Кері байланыс циклдары жүйеге операциялық нәтижелерден үнемі оқып-үйренуге мүмкіндік береді. Жаңа өнімділік деректері келесі ұсыныстарды жақсарту үшін модельге қайта енгізіледі.

5. Болжамдық талдау әлі де маңызды ма?

Әрине. Болжамдық талдау болашақтағы қауп-қатерлер мен мүмкіндіктерді анықтайды, ал көрсеткіштік талдау ең тиімді жауапты анықтайды. Көптеген өнеркәсіптік компаниялар шешім қабылдауды жақсарту үшін оларды бірге қолданады.