데이터 과학에서 진정한 비즈니스 가치 도출

산업 자산의 상태 및 유지 관리 요구 사항을 예측하여 고장을 예방하는 것은 엄청난 과제입니다. 데이터 과학의 세계는 실제 환경에서 결과를 제공하기 위해 고군분투하는 모델로 가득합니다. 그렇다면 가장 좋은 방법은 무엇입니까?

이론 및 실습

이론상 이론과 실제는 같다. 실제로는 그렇지 않습니다. 산업 자산 모델을 작업 현장에서 개선을 제공하는 실행 가능한 통찰력으로 변환하려고 할 때보다 더 진실한 곳은 없습니다. 데이터 과학에 대한 학술 논문에는 특정 알고리즘이 다른 알고리즘보다 1~2% 향상될 수 있는 방법을 보여주는 분석이 포함될 수 있지만 공장 환경에서는 패턴을 발견하기 위해 잡음이 많은 신호를 절단하는 것이 어려울 수 있습니다.

그러나 이것은 DIY 모델 개발자가 될 예정인 개발자가 자신의 노력이 예측 유지 관리 또는 기타 비즈니스 결과를 가능하게 하기를 희망하는 경우 극복해야 하는 첫 번째 주요 장애물일 뿐입니다. 실제 조건에서 작동할 수 있는 강력한 모델을 개발하는 데 성공하는 사람들은 다음 큰 문제에 즉시 직면하게 됩니다. 바로 개발이 아니라 유용한 모델을 배포해야 한다는 것입니다.

배포는 자연스럽게 모델을 대규모로 실행하는 것을 의미합니다. 그러나 이는 또한 다른 그룹이 경고의 우선 순위를 지정하고 피드백을 수집하는 등의 작업을 수행할 수 있도록 하여 결과를 친숙한 방식으로 표시하고 사용자를 만족시키는 인터페이스를 제공해야 함을 의미합니다. 주요 공장에서 20,000개의 로봇이 작동하는 경우 모든 로봇에 대한 대화형 차트를 표시하기 위해 사용자 인터페이스를 배포하는 것은 결코 쉬운 일이 아닙니다. 실제로 DIY 모델러는 일반적으로 실제로 하려고 하는 것이 자체 앱을 개발하는 것임을 알게 됩니다. 이는 리소스 집약적이며 비용이 많이 듭니다.

전문가에게 문의

이러한 이유로 작업 현장 사용자가 필요한 정보에 쉽게 액세스할 수 있도록 보장하는 데 필요한 자체 데이터 과학 전문 지식과 배포 지원을 갖춘 전문 제공업체와 팀을 이루는 것이 거의 항상 더 좋습니다. 회사는 자체 맞춤형 모델이 공급업체에서 생성한 일반 알고리즘보다 더 나은 성능을 발휘할 수 있다고 생각할 수 있습니다. 그러나 차이는 종종 미미하며 혼자 하는 것의 부정적인 측면이 훨씬 더 클 수 있습니다.

예를 들어 Senseye의 예측 유지 관리 솔루션인 Senseye PdM에 사용된 모델은 종종 맞춤형 모델과 동등하며 훨씬 더 나은 성능을 발휘할 수 있습니다. 고유한 기계 학습 알고리즘은 데이터를 제조 자산의 잔여 사용 수명(RUL)에 대한 정확한 예측으로 변환합니다. 이는 예측이라고 하는 기술입니다.

Senseye PdM이 일상적으로 기대치를 능가하는 한 가지 이유는 알고리즘이 모든 기계를 고유한 것으로 취급하기 때문입니다. 동일한 제조사와 모델이더라도 마찬가지입니다. 같은 방식으로 시작하는 기계라도 시간이 지남에 따라 주변 환경의 차이나 수행 중인 작업으로 인해 다르게 작동하고 마모됩니다. 각 자산을 고유한 '행동 지문'을 가진 개별로 취급하면 Senseye PdM의 예측 정확도가 상당히 향상되고 생산 자산을 담당하는 팀을 더 잘 지원하여 가동 시간을 극대화할 수 있습니다.

Senseye와 파트너 관계를 맺으면 검증된 알고리즘의 입증된 성능을 제공할 뿐만 아니라 강력한 성능, 확장성, 배포, 사용성 및 보안과 관련하여 수반되는 모든 골칫거리가 제거됩니다.

잠재적인 사용자가 이미 사용자 지정 모델을 개발했으며 이를 사용하려는 경우 Senseye는 API를 통해 이를 시스템에 통합할 수 있습니다. 사용자 지정 모델 자체가 Senseye PdM에 통합되지 않은 경우에도 솔루션은 여전히 ​​사용자 지정 모델의 결과를 유용한 입력으로 받아들일 수 있습니다.

그러나 Senseye가 자체적으로 정교한 일반 알고리즘을 배포하는 경우가 훨씬 더 일반적입니다. Senseye의 데이터 과학자는 우리가 원하는 방식이 아닌 있는 그대로의 현실 세계를 다루는 데 중점을 두므로 가장 시끄러운 데이터 환경에서도 모델이 매우 강력합니다.

사용자가 예측 및 예측 유지 관리를 구현하려는 경우 이 강력한 접근 방식은 장애 데이터를 캡처할 때 특히 중요합니다. 비교적 혼란스러운 순간에 시스템이 다가오는 장애를 식별하고 자산이 다시 장애가 발생하기 전에 경보를 발할 수 있도록 소음 아래에서 의미 있는 정보를 추출하는 것이 중요합니다.

공동 작업

외부 전문 지식을 도입하는 것이 상태 모니터링 및 예측 유지 관리를 위한 모델을 배포하는 가장 리소스 효율적인 방법이지만 사용자는 일반 데이터 모델을 최대한 활용하는 데 중요한 역할을 합니다.

처음에는 일반 모델을 배포할 때 항상 학습 곡선이 있습니다. 예를 들어 Senseye PdM은 초기에 결과를 제공하는 데 14일이 걸리며 정상 작동 조건에서 각 자산의 고유한 동작에 대한 '지문'을 구축합니다.

당사의 기술 전문가와 결합된 상태 모니터링 전문가 및 기계 엔지니어를 포함한 당사 고객 팀의 사내 전문 지식과 경험을 이 프로세스에 반영할 수 있으므로 Senseye는 사용자가 가장 관심이 있는 일부 데이터 및 이벤트의 우선 순위를 지정하도록 시스템을 미리 구성할 수 있습니다. 이것은 알고리즘에 대한 초기 학습 프로세스의 속도를 높입니다. 장기적으로 정기적인 피드백 시스템을 통해 알고리즘은 사용자에게 중요한 이벤트와 추세와 관련 없는 그림을 구축할 수 있습니다. 이는 시간이 지남에 따라 각 시스템의 동작을 더욱 정확하게 예측하도록 점진적으로 적응하는 일반 모델을 배포할 때 유용합니다.

실제 결과

이를 올바르게 수행하면 비즈니스 이점이 매우 인상적입니다. Senseye PdM은 일반적으로 계획되지 않은 기계 가동 중지 시간을 50% 줄이고 유지 관리 직원의 생산성을 55% 높이며 가동 중지 시간 예측 정확도를 85% 높입니다.

일반적으로 이러한 이점은 맞춤 알고리즘과 일치시키기 어렵기 때문에 실제 결과를 얻으려면 뛰어난 접근 방식을 사용하는 것이 좋습니다.

백서 "예측의 힘 활용" 에서 자세히 알아보십시오. 또는 ROI 계산기를 사용하여 어떤 이점을 얻을 수 있는지 확인하십시오.