병목 현상 극복:제조에서 분석의 힘

Progress DataRPM의 공동 설립자이자 최고 제품 및 분석 책임자인 Ruban Phukan은 병목 현상과 사전 예방의 역할과 함께 오랜 시간 동안의 전투에 대해 설명합니다.

Progress DataRPM의 공동 창립자이자 최고 제품 및 분석 책임자인 Ruban Phukan이 병목 현상과의 오랜 싸움과 제조에서 예측 분석의 역할에 대해 설명합니다.

제조 병목 현상을 둘러싼 문제는 잘 문서화되어 있습니다. 생산 지연, 재고 과잉, 고객의 압력 증가 등으로 인해 갑작스럽고 예상치 못한 용량 제한으로 인한 문제는 업계의 모든 비즈니스에 치명적일 수 있습니다. 이를 염두에 두고 Manufacturing Global은 전 야후 데이터 과학자이자 Progress DataRPM의 선두주자인 Ruban Phukan에게 예측 유지 관리 모델의 사용과 실패 방지 환경을 구축하는 데 도움이 되는 방법에 대해 이야기합니다.

문제의 핵심 파악

Yahoo 데이터 분석 팀의 전 구성원인 Phukan은 빅 데이터 사용을 둘러싼 복잡성에 정통합니다. "저는 몇 년 전 Yahoo에서 만든 최초의 데이터 과학 팀의 일원이었습니다."라고 그는 말합니다. “대규모 조직에서는 데이터 과학을 수동으로 확장하기가 매우 어렵다는 사실을 알게 되었습니다. 우리가 깨달은 것은 비즈니스에 가치를 더할 수 있는 방식으로 데이터 과학 문제를 실제로 해결하는 유일한 방법은 해당 데이터 분석 뒤에 있는 프로세스를 자동화하는 것이라는 것입니다."

Yahoo에서 이동하여 Phukan은 특히 예측 분석을 다루는 사용자 행동을 이해하기 위해 기계 학습을 사용하여 자신의 수직 검색 엔진 사업을 시작했습니다. 그것을 판매한 후 그는 현재 공동 창립자와 비즈니스를 시작했으며 여기에서 ProgressDataRPM에 대한 이야기와 무엇보다도 병목 현상을 해결하기 위해 진보하고 있는 방법을 알게 되었습니다.

“처음 모였을 때 엄청난 양의 디지털 데이터가 생성되고 있다는 것을 깨달았지만 문제는 그대로였습니다. 수동으로 해결할 수 없다는 것입니다. 데이터 과학자가 충분하지 않습니다. 엄청난 양의 데이터가 있음에도 불구하고 기업이 이를 통해 얻는 가치는 ROI를 정당화할 수 없습니다.”라고 그는 말합니다.

"그래서 우리는 '데이터 과학 프로세스를 원활하고 자동화하는 플랫폼을 만들 수 있을까요?'라고 말하기 시작했습니다. 우리는 기업이 모범 사례를 활용하고 문제에 적용하고 대규모로 해결할 수 있기를 바랐습니다."

머신 러닝의 발전

기계 학습 기술의 발전으로 Phukan과 그의 공동 창립자는 이전에는 불가능했던 방식으로 고객이 사용할 수 있는 엄청난 양의 데이터와 정보를 처리할 수 있었습니다. 결정적으로 제조 기업의 경우 이는 생산 라인과 같은 것들에도 긍정적인 영향을 미칠 수 있음을 의미했습니다.

“예를 들어, 센서와 같은 기능을 활성화하면 다양한 작동 및 환경 조건에서 기계의 정상적인 기능을 매우 상세한 수준에서 이해하는 데 도움이 됩니다. 그런 다음 이것이 기계 상태에 어떤 영향을 미치고 결과적으로 효율성 측면에서 이것이 생산 라인에 미치는 영향을 평가할 수 있습니다.”라고 그는 말합니다.

누군가가 데이터 과학 전문가가 될 필요가 없는 자동화된 식물 농장을 배포함으로써 ProgressDataRPM은 본질적으로 대규모 자산 기반 산업이 두 가지 문제를 해결하는 데 도움이 됩니다. 자산. 이는 모두 인지 이상 예측 소프트웨어를 통해 수행됩니다. 센서 기반 데이터에 연결되는 순간 자동으로 기계의 정상 작동 조건을 기준으로 합니다. 그런 다음 이러한 조건에서 벗어나는 항목을 찾고 발생할 수 있는 잠재적인 문제를 예측하기 전에 경고를 생성합니다.

Phukan은 미지의 것을 예측하는 이 능력이 이전의 전통적인 프로세스에서 크게 벗어나는 것이라고 생각합니다. "우리는 과거에 왜 일이 일어났는지 조사할 수 있어야 하지만 더 중요한 것은 일어나지 않은 일을 예측할 수도 있어야 합니다."라고 설명합니다.

조립 라인에 영향

제조 기업이 조사해야 하는 주요 영역 중 하나는 생산 라인에서 일어나는 일, 특히 품질 관리 시기에 영향을 미치는 프로세스입니다. "예를 들어, 우리는 자동차 및 의료 산업의 여러 제조업체와 협력했으며 이들이 직면한 가장 큰 문제 중 하나는 제조 프로세스가 끝날 때 품질 검사가 이루어진다는 것입니다. 따라서 제품의 전체 배치가 만들어지면 테스트가 실행되어 괜찮은지 확인합니다. 이로 인해 폐기율이 75%까지 높아질 수 있습니다.”라고 Phukan은 말합니다.

대부분의 테스트 스위트 규칙은 이전 경험을 기반으로만 작성될 수 있으므로 설명되지 않은 새로운 문제가 발생하면 제품 리콜과 같은 심각한 문제로 이어질 수 있습니다. 따라서 Phukan에 따르면 예측 분석 플랫폼을 사용하는 것이 표준이 될 것입니다. 실제로 이것은 그가 이미 제조 분야에서 점점 더 확인하고 있는 것입니다.

“제조업체가 우리에게 이야기할 때 기계 학습을 사용하여 배치에 결함이 있는지 여부를 확인할 수 있는지 묻습니다. 그들은 우리가 훨씬 더 일찍 상황을 감지할 수 있다는 것을 알고 있으므로 비용과 손실을 최소화하기 위해 프로세스를 중지할 수 있습니다.”

그는 이에 대한 구체적인 예를 가지고 있습니까? “우리는 프랑스의 대형 통신 제공업체와 협력하고 있으며 셋톱박스에 대해 심각한 문제를 겪었습니다. 그들이 가지고 있던 문제는 하나가 실패할 때마다 가서 문제를 식별하고 교체해야 한다는 것이었습니다. 물론 이것은 시간과 비용면에서 비용이 많이 듭니다. 고객을 잃을 위험도 큽니다.”라고 그는 말합니다.

"우리는 상자의 3분의 1에 문제가 있다는 것을 사전에 확인했습니다. 즉, 고객 서비스에서 전화를 걸어 고장이 발생하기 전에 상자를 업데이트하거나 교체품을 보내라고 말할 수 있음을 의미합니다."

병목 현상 분석의 미래

제조업체는 머신 퍼스트 인지 기술의 이점에 점점 더 관심을 기울이고 있습니다. 이를 통해 이상을 식별하고 잠재적으로 해당 분야 전문가를 초빙하여 머신이 발견한 결과의 결과를 판단하는 데 도움을 받을 수 있습니다.

실제로 Phukan은 AR, IoT, 보증, 하이브리드 클라우드 컴퓨팅 및 블록체인이 모두 점점 더 그 역할을 수행할 방법에 대해 논의하지만 그가 핵심이 될 것이라고 느끼는 미지의 것을 감지하고 있습니다. “핵심은 이미 알려진 것이 아닙니다. 도메인 전문가는 이를 잘 처리할 수 있지만 가장 큰 과제는 알려지지 않은 것과 다음에 비즈니스에 미칠 영향입니다. 이것이 바로 우리가 예방해야 하는 것이며 제조 시장을 변화시킬 핵심입니다.”라고 Phukan은 결론지었습니다.