Ar pažangios duomenų analizės metodikos gali būti lemtingas veiksnys pramonės modernizacijoje?

Pramonės interneto daiktų (IIoT) sparčiai plėtojamasi, gamybos intelektas vystosi nuo paprastos stebėsenos iki autonomiško valdymo. Šio vystymosi šerdyje yra sudėtingų Duomenų analizė taikymas. Kai aprašomieji įrankiai tiesiog kataloguoja praeities įvykius, naujos kartos pramoninė konkurencija vyksta dviem perspektyviais metodais: prognozuojamuoju ir nurodomuoju požiūriu. Kai pasaulinės gamyklos linksta prie saviremiamų sistemų ir be trukdžių tiekimo grandinių, iškyla esminis įtampa: kaip šie du loginiai požiūriai skiriasi ir kuris iš jų suteikia galutinį operacinio viršenybės planą?

Koks yra šiuolaikinės Duomenų analizė ?

Techninė struktūra? Norint suprasti „Industrijos 4.0“ sudėtingumus, būtina atskirti prognozuojamąją ir nurodomąją Duomenų analizė .

Prognozuojanti analizė veikia kaip aukštos tikslumo prognozavimo variklis. Sinchronizuodamas istorinius etalonus su realiuoju laiku besitekėjančia informacija, jis naudoja sudėtingas mašininio mokymosi (ML) architektūras ir regresijos matricas, kad numatytų būsimas būsenas. Automatizuotoje gamybos linijoje tai pasireiškia gebėjimu numatyti įrangos nusidėvėjimą – pavyzdžiui, aptikti netolygius šilumos signalus robotizuotoje rankoje – gerokai anksčiau, nei įvyksta katastrofiškas gedimas. Jis transformuoja neapdorotus skaičius į „išankstinį matymą“.

Kita vertus, nurodomoji analitika reprezentuoja skaitmeninės hierarchijos vyriausiąją lygį. Ji viršija paprastą prognozavimą, pateikdama konkrečius, optimizuotus pasiūlymus daugiasluoksnių operacinės veiklos problemų sprendimui. Integruodama apribojimais grindžiamą programavimą, heuristinius algoritmus ir dirbtinį intelektą, nurodomieji varikliai modeliuoja begalę galimų strategijų. Ši analitikos šaka Duomenų analizė  ne tik įspėja, kad artėja problema; jis nurodo tikslų veiksmų seką, kurią reikia atlikti, kad būtų išvengta šios problemos ir pasiektas palankiausias rezultatas.

Kaip tai veikia: informacijos konvertavimas į vykdymą

Kelias nuo jutikliais įranguoto gamybos skyriaus iki strateginio vyresniojo vadovo sprendimo yra daugiasluoksnis procesas, kuris remiasi patikimomis Duomenų analizė duomenų perdavimo linijomis.

• Informacijos rinkimas: ciklas prasideda įvairių duomenų rinkinių įtraukimu. Pramonės srityje tai apima struktūruotus telemetrinius duomenis iš PLC valdiklių bei nestruktūruotus įvesties duomenis, pvz., technikų žurnalus ar akustinio jutiklio duomenis.

• Algoritmų apdorojimas: po to duomenys patenka į modeliavimo fazę. Prognoziniai įrankiai dažnai naudoja ARIMA (autoregresinės integruotos slankiosios vidurkio) schemas laiko tendencijoms identifikuoti arba LSTM (ilgalaikės trumpalaikės atminties) tinklus, kad būtų suprantamos netiesinės laiko eilučių duomenų koreliacijos. Šių modelių tikrumas esminiu būdu priklauso nuo įvesties duomenų detalumo.

• Dinaminis modeliavimas: čia prasideda nurodomoji Duomenų analizė pateikia aukštesnę vertę. Ji naudoja Monte Karlo modeliavimą ir optimizavimo sprendėjus, kad išbandytų tūkstančius „ką, jei“ variantų. Svertant kintamuosius, pvz., energijos suvartojimą prieš gamybos terminus, ji nustato matematinį veiklos „saldžiąjį tašką“.

• Rekursyvus ciklas: nors prognozuojami rezultatai dažnai sustoja ties valdymo skydeliu, nurodomosios sistemos dažnai būna charakterizuojamos uždaru atgaliniu ryšiu. Kai dirbtinio intelekto rekomendacijos įgyvendinamos, gauti veiklos duomenys nedelsiant grąžinami į modelį, leisdami sistemai mokytis ir kiekvieno ciklo metu pritaikyti savo rekomendacijas.

Kokia yra jos taikymo sritis: praktinės sprendimų galimybės ir sektorių analizė

Aukšto lygio duomenų analizės įdiegimas duoda matomų finansinių ir operacinės naudos naudų, ypač logistikos ir finansinio rizikos mažinimo srityse.

Prognozuojamasis aspektas: profilaktinė priežiūra
Išmaniųjų gamybos srityje įmonių valdytojai naudoja prognozuojančius algoritmus saugos atsargoms tikslinti. McKinsey pateikti empiriniai duomenys rodo, kad tokia duomenimis pagrįsta atsargų valdymo sistema gali sumažinti prekių išpardavimo atvejus maždaug 20 %. Be to, pramonės klientų finansinėje vertinimo srityje platformos, tokios kaip Upstart, sukūrė inovacinį prognozuojamąjį kredito modeliavimą, kuris apima tūkstančius kintamųjų. Pranešama, kad tai sumažino paskolų nuostolių santykį iki 75 % lyginant su senaisiais balansavimo metodais, kas parodo tikslaus prognozavimo galios.

Nurodomasis aspektas: išmintinga koordinacija
Nurodomoji duomenų analizė puikiai veikia aukštos entropijos aplinkose, pvz., pasaulinėje logistikoje. Jei vietinis darbo streikas ar gamtinis reiškinys sutrikdo vežimo maršrutą, nurodomoji sprendimo sistema gali nepriklausomai perskaičiuoti visą platinimo tinklą. Įvertindama tarpusavio priklausomybes – pvz., kintančius uostų mokesčius ir prekių galiojimo laiko apribojimus – sistema pateikia tikslų nukreipimo nurodymą, kuris sumažina papildomas išlaidas ir neleidžia susidaryti susigrūdimams, apeinant žmogiškosios krizės valdymo ribotumus.

Koks yra jos konkurencinis privalumas pasauliniame rinkoje?

Perėjimas nuo prognozuojamos pozicijos prie nurodomosios suteikia keletą strateginių pranašumų, kurie apibrėžia pramonės lyderystės vanguardą:

Subjektyvumo neutralizavimas: prognozuojamosios priemonės pateikia duomenis, tačiau vis dar remiasi žmogaus interpretacija, kuri gali būti paveikta nuovargio ar kognityvinės šališkumo. Nurodomoji duomenų analizė naudoja dirbtinį intelektą, kad pateiktų objektyvius, įrodymais pagrįstus nurodymus, užtikrindama, kad visada būtų pirmiausia vertinamas geriausias matematinis sprendimas.

Visuotinė vertės grandinės optimizavimas: Prognoziniai modeliai dažnai veikia izoliuotai (optimizuodami vieną siurblį ar variklį). Priešingai, nurodomieji rėmai modeliuoja visą organizacinę ekosistemą, užtikrindami, kad gamybos našumo padidėjimas nelemtų nepakenčiamo techninės priežiūros kaštų šuolio.

Hiperreaktyvumas: Greitaveikioje gamyboje tarp prognozės ir veiksmo įvykdymo vėlavimas gali kainuoti brangiai. Nurodomosios priemonės suteikia beveik akimirkinę gairę, leisdamos realiuoju laiku atlikti korekcijas, kurios padeda laikytis numatytų gamybos rodiklių.

Kognityvinis apkrovos perkelimas: Pateikdamos tiesiogiai „optimalų sprendimo kelią“, šios priemonės palengvina sprendimų priėmimo naštą gamybos aikštelės vadovams. Tai leidžia žmogiškiesiems ištekliams pasislinkti nuo kasdienės krizės valdymo link aukštesnio lygio inovacijų kūrimo ir ilgalaikio mastelio didinimo.

Išvada: Paradigmos poslinkis link nurodomosios valdymo meistriškumo

Vertinant prognozinę ir nurodomąją duomenų analizę, tikslas nėra pasirinkti vieną iš jų, o evoliucionuoti per abi. Prognoziniai įžvalgos suteikia būtiną „radarą“, kuris padeda aptikti artėjančius rizikos veiksnius, tačiau nurodomoji intelektinė analizė suteikia „autopilotą“, kuris leidžia juos apeiti.

Pramoninėms įmonėms, siekiančioms dominuoti vėlyvaisiais 2020-aisiais, šio dviejų sluoksnių požiūrio įsisavinimas yra strateginis būtinas reikalavimas. Kai mašininiais metodais generuojamų duomenų kiekis toliau auga eksponentiškai, laimės tie, kurie ne tik gebės vizualizuoti ateitį, bet taip pat matematiškai nustatyti efektyviausią būdą ją įgyvendinti. Perėjimas nuo reaktyvaus stebėjimo prie nurodomosios optimizacijos tapo nauju autonomiškos įmonės vertinimo rodikliu.

Šaltiniai:

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

(Jei yra bet kokių autorių teisių pažeidimų, prašome susisiekti su manimi, kad šis straipsnis būtų ištrintas.)

Dažnai užduodami klausimai

1. Kokia yra pagrindinė skirtis tarp prognozinės ir nurodomosios analizės?

Prognozinė analitika prognozuoja būsimus rezultatus ir atsako į klausimą: „Kas, tikėtina, įvyks?“ Rekomendacinė analitika siūlo geriausius veiksmus ir atsako į klausimą: „Ką turėtume daryti?“

2. Kaip rekomendacinė analitika sumažina žmogiškąją šališkumą?

Rekomendacinė analitika naudoja dirbtinį intelektą ir optimizavimo algoritmus, kad sukurtų objektyvias, duomenimis pagrįstas rekomendacijas, taip sumažindama priklausomybę nuo žmogiškosios intuicijos ir subjektyvių sprendimų.

3. Ar ši analitika gali pagerinti tiekimo grandinės atsparumą?

Taip. Rekomendacinė analitika gali greitai koreguoti logistikos planus sutrikus veiklai, analizuodama tokius veiksnius kaip atsargos, transportavimo maršrutai ir pristatymo apribojimai.

4. Kokia yra grįžtamųjų ryšių kilpų vaidmenys rekomendacinėse sistemose?

Grįžtamieji ryšiai leidžia sistemai nuolat mokytis iš operacinės veiklos rezultatų. Nauji veiklos duomenys grąžinami į modelį, kad būtų patobulintos būsimos rekomendacijos.

5. Ar prognozinė analitika vis dar svarbi?

Visiškai teisingai. Prognostinė analizė nustato būsimus rizikos veiksnius ir galimybes, o nurodymų analizė nustato geriausią reakciją. Dauguma pramonės įmonių abi analizes naudoja kartu, kad priimtų geresnius sprendimus.