Med introduktionen til big data og senere industri 4.0 er der skabt et øget fokus på brugen af ​​data i industrien. Selvom industri 4.0 stadig skaber en vis forvirringen over, hvad det egentligt er, og hvad det ikke er. Der er dog en ting vi kan være enige om, at det involverer data

Picture of innovation

Big data har fokus på volumen, variation og hastighed i data. Med machine learning er fokus på kvaliteten og pålideligheden af ​​de indsamlede data øget. Disse parametre er senere blevet anvendt på big data med introduktionen til sandfærdighed og værdi. Data har potentiale til at udvikle et nyt forretningsområde, hvor du kan få kritisk præstationsindsigt og en konkurrencefordel. Baseret på din virksomheds historiske data kan machine learning algoritmer opdage komplekse mønstre, som kan bruges til:

  • Automatiserede processer
  • At tage data drevne beslutninger
  • Forudse fremtidige begivenheder

I tillæg kan det hjælpe med at detekterer anomalier, som vi viste i predektiv vedligeholdelse, hjælpe virksomheder med at forbedre oppetid og tilgængelighed inden for Overall Equipment Effectiveness (OEE). Machine learning og statistik kan forudsige fremtidig salg, hjælpe med at bestemme hvor mange produkter der skal produceres for at imødekomme kundernes efterspørgsel og hvor mange råvarer du har brug for på dit lager for at kunne producere det forventede. Mulighederne er uendelige og begrænses kun af din fantasi - og hvad der ikke logisk kan løses.

Efter fremkomsten af industri 4.0 og machine learning, titler som Chief Data Officer (CDO), Data Scientist og Machine Learning Engineer blevet mere almindelig at se selv i fremstillingsindustrien. Virksomheder skal overveje deres strategi over for data - ikke kun at vide hvilke data de skal indsamle, men også for at identificere formålet med dataindsamling.

Data Strategi

Hvis du modtager Ingeniøren eller Maskinmesterens nyhedsbrev, kan du ikke undgå at høre om maskinlæring og AI. Mindst fem sider hver uge indeholder artikler om enten ML, AI, big data eller Industry 4.0. Alligevel er det kun få fremstillingsvirksomheder, der har besluttet at søge mulighederne for ML i deres virksomhed [1].

Datastrategien skal defineres af topledelsen og bestyrelsen. Derfor er bestyrelsen og lederne i organisationen nødt til at vide, hvilke fordele de kan opnå ved hjælp af ML, og hvilke udfordringer der måske ligger foran os. For at være i stand til det, skal du vide hvad maskinlæring er, og være i stand til at definere ML-pilotprojekter.

Det er ikke nødvendigt at vente år, før du kan få værdi af dine ML-projekter. Du kan starte fra bunden og få værdi inden for måneder. Det er grunden til at neurospace tror på: Være ambitiøs, start småt og skab værdi hurtigt.

Du skal være ambitiøs

Følg Value Stream Mapping (VSM) metoden; tegn dit nuværenden produktions flow med den gennemsnitlige fejl rate, gennemsnitlige overarbejdsomkostninger, omkostninger på defekte og kasserede produkter. Når du har tegnet den aktuelle VSM, er det tid til at være ambitiøs! Hvordan ønsker du, at den fremtidige VSM skal se ud? Hvor mange sammenbrud er acceptable, hvor mange defekte og kasserede produkter er okay, og hvor mange penge til overarbejde er du villig til at betale?

Dette kan nu defineres som Key Performance Indicators (KPIs) - eksempelvis ved at anvende OEE som et målepunkt for at få en oppetid på 97% eller ved at have et KPI med det formål at have en oppetid på 97%.

Når du har tegnet din fremtidge VSM er det tid til at diskuterer hvordan. Start med at planlægge pilotprojekter, ikke i detaljer, men med et formål om at bevise at det er muligt at skabe værdi.

Start småt

Du behøver ikke at indsamle data fra dine maskiner i adskillige år, før du kan starte dit pilotprojekt. Derudover behøver du ikke at investere i sensorer på alle dine maskiner til at begynde med. Start med en maskine, bevis konceptet og skalar derefter til de resterende maskiner. Dermed har du reduceret omkostningerne til pilotprojektet og har et veldefineret lille projekt, der kan gennemføres hurtigt. Derudover kan du få værdi hurtigt!

Et pilotprojekt kunne defineres som: “at undersøge muligheden for at forudsige fremtidige sammenbrud i vores produktionsudstyr”. Det bedste sted at starte kan være din mest kristiske produktionsmaskine, eller måske en gammel maskine hvor vedligeholdelsesomkostninger er høje eller vanskelige at skaffe

Når i her erkendt potentialet er det relativt nemt at skalerer op til resten af produktionen.

Skab værdi hurtigt

Ved at definere pilotprojekter og teste disse på én maskine kan du reducere de samlede omkostninger på projektet samt få værdi inden for måneder i stedet for år. Dette gør det muligt for organisationen at lære hurtigt på grund af en hurtig feedback loop. Desuden hjælper det folk i din organisation med at se værdien og forstå machine learning. Dette er vigtigt at skabe momentum for, når du vil skalere løsningen.

Data i data strategien

Når du beslutter hvilke pilotprojekter i skal begynde med, er det vigtigt at vide om de data der eksisterer i jeres produktionsudstyr er jeres egen ejendom eller leverandørerens? Vi ser ofte robotceller og andre maskiner, der leverer alle dens data til cloud-tjenester der er ejet af producenterne. Så bliver spørgsmålet, ejer du eller producenten af ​​udstyret data? En nem test er at se, om du kan få fat data i et rå format, ikke smukke grafer, bare rå data. Hvis du kan, kan du bruge disse data til pilotprojekter inden for din produktion - hvis ikke mener vi, du skal gøre noget ved det.

Som tidligere nævnt i Hvorfor startede vi en ML virksomhed del 2 tror vi på at ML har potentiale til at ændre verden inklusiv dit produktionsudstyr og data er nøglen til at løse of for dette potentiale.

// Maria Jensen, Machine Learning Engineer @ neurospace

Referencer

[1] Stig Yding Sørensen (2018) Kunstig Intelligens på vej i danske virksomheder. Teknologisk Institut.