Искусственный интеллект помогает большим данным

Содержание

• Почему большие данные трудно использовать?
• Требования, предъявляемые к заказчикам
• Цели и задачи Softline как интегратора
• Примеры применения платформ с ИИ на практике
• Оптимизация производства
• Статистическое управление процессами, наиболее известный инструмент - карты Шухарта.
• Кейс №1.
• Кейс №2.

Ирония так называемых больших данных заключается в том, что их легче получить, чем использовать. Любая автоматизация учета, даже частичная, создает точки для ввода и накопления различной информации. Постепенно базы данных разрастаются, дополняются различными таблицами, файловыми архивами, тоннами почтовой переписки, отчетами и многочисленными бухгалтерскими документами.

Почему большие данные трудно использовать?

Маркетинговые сведения, статистика производства, продаж, финансы, кадровые вопросы - по всем существенным аспектам работы ведется учет, копятся данные. Руководство компании должно иметь доступ к детальному анализу всех процессов на предприятии. Должно. Но обычно этого не происходит. Главная системная проблема с большими данными - несогласованность.

Информация может быть очень разнородной, многоуровневой и разноплановой. Вот именно в этот момент помощь и мощь искусственного интеллекта (ИИ) становится просто незаменимой. К «традиционными» темам и направлениям применения искусственного интеллекта на предприятии относятся: статистическое управление процессами; анализ видов и последствий потенциальных отказов; анализ измерительных систем; управление ценообразованием и товарными запасами; производительное обслуживание оборудования (ТОиР - техническое обслуживание и ремонт).

Требования, предъявляемые к заказчикам

Заказчиком систем ИИ может быть любая компания, отвечающая следующим требованиям: наличие на предприятии инструментов/приборов/устройств, позволяющих обеспечивать автоматический сбор данных о работе оборудования или технологических процессах (инфраструктурная часть); наличие MES, ERP, АСУТП 1, АСУТП 2 (SCADA) или других систем учета и консолидации данных о работе оборудования или технологических процессах (источники данных); минимальная история данных о работе оборудования или технологических процессах не менее 1 года, желательная история - от 3 лет (ретро-данные); также важно, чтобы руководители осознавали необходимость нового подхода в работе с информацией и системам управления в целом.

Цели и задачи Softline как интегратора

Задача Softline как интегратора - тиражировать лучшие знания и алгоритмы в области создания систем машинного обучения, делая их каждый раз «умнее». Для каждого клиента мы тестируем созданные алгоритмы на различных платформах, подбирая в каждом конкретном случае наиболее подходящее решение. Наша цель - подобрать для компании-клиента решение, которое наилучшим образом решит его задачи и легко интегрируется в технологические процессы. Продуктовый портфель Softline располагает рядом решений и платформ по ИИ и предиктивной аналитике: Microsoft, Deductor, Prognoz и др.

Примеры применения платформ с ИИ на практике

Оптимизация производства

• Цель: удовлетворение потребностей и ожиданий заинтересованных сторон по качеству, срокам, объемам производства и поставок, плановой стоимости продукции.
• Используемые технологии: сбор и анализ статистических данных о производственной системе: уровень стандартизации и соблюдения стандартов; оценка четырех факторов производства: оборудование, методы производства, человеческий фактор, материально-техническое снабжение и качество входящих материалов и сырья; статистическое управление процессами (SPC, Statistical Process Control); управление затратами на уровне единицы продукции/рабочего места.
• Особенности: используются большие данные со всех учетных систем предприятия, из ERP, MES и других систем, в которых ведется управленческий учет, собирается информация о стоимости продукции, вопросах качества, производительности и т.п. Планирование качества и стоимости продукции очень тесно связаны, и именно статистическое управление процессами позволяет повысить надежность производства и таким образом получать гарантированный результат. Например, это может быть расчет объема производимой продукции с использованием принципа «точно вовремя». Происходит контроль всех производственных цепочек, вопросы качества продукции отслеживаются по двум группам: стоимость обеспечения соответствия и стоимость устранения несоответствий. В результате предприятие сможет рассчитать полную себестоимость каждой партии и даже единицы продукции.
• Результат: снижение себестоимости продукции на 20-30% за счет устранения потерь в производстве и более эффективное управление качеством;

Статистическое управление процессами, наиболее известный инструмент - карты Шухарта.

• Цель: обеспечение и поддержание характеристик технологических процессов на стабильном уровне, соответствие составных частей (продукции) установленным требованиям;
• Используемые технологии: сбор и анализ статистических данных о производственной системе, интеграция систем и подходов в единую информационную систему предприятия;
• Особенности: выстраиваемая цифровая модель предприятия в различных ситуациях может меняться, она гибко управляема. Методики статистического управления процессами соответствуют стандартам и ГОСТам. С точки зрения практической реализации в России этот подход пока только набирает популярность; а вот крупные зарубежные предприятия данные технологии используют уже более 65 лет;
• Результат: комплекс решений, который позволяет эффективно управлять процессами предприятия, отслеживать каждое отклонение, и как следствие, управлять ими, совершенствуя процессы в рамках существующих ограничений;
• Производительное обслуживание оборудования (ТОиР - техническое обслуживание и ремонт);
• Цель: повышение эффективности использования оборудования за счет предупреждения и устранения потерь на протяжении всего жизненного цикла;
• Используемые технологии: сбор и анализ статистических данных о работоспособности оборудования (износ, режимы эксплуатации). Построение цифровой модели единицы оборудования. Прогнозирования возможных отказов и периода наработки на отказ;
• Особенности: Softline предлагает методологию, в рамках которой можно рассчитать коэффициент общей эффективности использования оборудования (OEE, Overall Equipment Efficiency). На большинстве предприятий он составляет около 50% (показатель для ЧПУ; для универсального оборудования еще меньше) - это колоссальный уровень потерь, который происходит за счет неэффективного использования оборудования, его обслуживания и ремонта;
• Результат: рост производительности до 2 раз, сокращение затрат на ремонт и обеспечение запчастями (в среднем на 30%).

Кейс №1.

• Задача: По заказу крупного российского кабельного завода Softline создала нейронную сеть, которая на основе исторических данных прогнозирует спрос на производимую продукцию и оценивает вероятность ее реального заказа. Обработка потенциальной сделки на предприятии - процесс весьма трудоемкий и длительный - занимает несколько недель с вовлечением большого количества подразделений. Процент конвертации запроса в продажу небольшой, поэтому специалистам необходимо как можно раньше понимать, состоится сделка или нет. Помимо этого, стояла задача построить модель прогноза спроса на продукцию регулярного ассортимента и на объем необходимого сырья по всем категориям для дальнейшей оптимизации производственного цикла и процесса закупки.
• Решение: Пилотный проект реализован на базе решений, поддерживающих алгоритмы машинного обучения. Наилучший результат показала нейронная сеть, обученная на подготовленной выборке. Такая система постоянно обучается без участия человека и в будущем способна делать все более точные прогнозы. По сути речь идет об искусственном интеллекте.
• Результаты: Итоги реализации «пилота» свидетельствуют, что построенные модели можно применять на предприятии для прогнозирования базового объема продаж, среднесрочных объемов потребления сырья, управления складскими запасами готовой продукции. Стала возможна экономия трудозатрат за счет перераспределения усилий менеджеров по продажам на обработку наиболее вероятных заказов и повышения ее качества в 2-3 раза. В рамках развития проекта будет проработана возможность включения в модель дополнительных влияющих факторов, в том числе из внешних источников. Для использования в прогнозе данных воронки продаж потребуется изучить влияние ограничивающих производственных факторов на конверсию спроса в заказы. По результатам пилотного проекта были выработаны рекомендации по использованию модели прогнозирования вероятности размещения заказа в связке с данными воронки продаж для оптимизации процессов планирования продаж.

Кейс №2.

• ​
• Задача: По заказу одной из крупнейших в Европе химических компаний Softline создала нейронную сеть, которая определяет алгоритм стабилизации процесса и рассчитывает экономический эффект от различных входных параметров производственного процесса.
• Решение: По итогам пилотного проекта создан самообучающийся алгоритм для оценки текущего производственного процесса, который выявил что в рамках текущего состояния производства процесс статистически не управляется и не оптимально расходует ресурсы предприятия, что влечет за собой прямые финансовые потери. С помощью имитационного моделирования было выявлено, что в результате применения моделирующего алгоритма ежесуточная экономия пара может достигать 122 тонны.

Результаты: Результаты «пилота» свидетельствуют, что построенные модели можно применять на предприятии для решения следующих задач:

1. Повышение качества готовой продукции, анализ видов и последствий потенциальных отказов;
2. Минимизация простоя оборудования, анализ выхода из строя оборудования и плановый ремонт (Обеспечить сбор и агрегацию информации о состоянии основных производственных фондов, формировать регламентированную основу по наработке на отказ основных рабочих мест и формировать план по текущему ремонту основных производственных фондов);
3. Устранения человеческого фактора (минимизация ошибок);
4. Контроль расходов сырья (Осуществить кросс-функциональный сбор информации по всем маршрутам прохождения заказа для калькуляции себестоимости заказа и проведения план-фактного анализа отклонений).

В рамках развития проекта будет также проработана возможность включения в модель дополнительных влияющих факторов, в том числе из внешних источников и совершенствование самообучающегося алгоритма.

Мы будем рады ответить на ваши вопросы!

Обращайтесь к Дмитрию Карбасову, Руководителю отдела бизнес-решений и предиктивной аналитики.

Пишите: Dmitriy.Karbasov@softlinegroup.com

Звоните: +7 (495) 2320023 доб. 1449