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
1.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 е 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.
2.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.
3.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%).