병목 현상 제거: 분석 활용으로 제조 효율성 높이기

프로그레스 데이터RPM(Progress DataRPM) 공동창업자 겸 최고 제품 및 분석 책임자 루반 푸칸(Ruban Phukan)이 오래된 병목 현상과의 싸움과 예측 분석의 역할을 논의합니다.

제조업에서 병목 현상을 둘러싼 문제는 잘 문서화되어 있습니다. 생산 지연, 과잉 재고, 고객의 압박 증가 등 갑작스럽고 예기치 않은 용량 제한으로 인한 문제는 업계의 어떤 비즈니스에도 치명적일 수 있습니다. 이를 염두에 두고 Manufacturing Global은 전 야후 데이터 과학자이자 프로그레스 데이터RPM의 리더인 루반 푸칸과 예측 유지보수 모델의 사용과 이들이 어떻게 실패 방지 환경을 구축하는 데 도움이 될 수 있는지에 대해 이야기했습니다.

문제의 핵심 파악

전 야후 데이터 분석 팀 멤버로서 푸칸은 빅데이터 사용을 둘러싼 복잡성을 잘 알고 있습니다. "수년 전 야후에서 만들어진 첫 데이터 과학 팀의 일원이었습니다."라고 그는 말합니다. "거기서 얻은 큰 교훈은 데이터 과학을 대규모 조직에 수동으로 확장하는 것은 매우 어렵다는 것입니다. 우리가 깨달은 것은 데이터 분석 뒤에 숨은 프로세스를 자동화하는 것만이 비즈니스에 가치를 더하는 방식으로 데이터 과학 문제를 실제로 해결하는 유일한 길이라는 것이었습니다."

야후를 떠난 후 푸칸은 머신러닝을 사용하여 사용자 행동을 이해하는 수직 검색 엔진 사업을 시작했으며, 특히 예측 분석을 다루었습니다. 이를 매각한 후 현재 공동창업자들과 사업을 시작했는데, 거기서 프로그레스데이터RPM의 이야기와 그것이 병목 현상 해결을 포함해 많은 것에서 진전을 이루고 있는 방식을 이어갑니다.

"우리가 처음 모였을 때 엄청난 양의 디지털 데이터가 생성되고 있었지만, 문제는 동일했습니다: 수동으로 해결할 수 없습니다. 데이터 과학자가 충분하지 않습니다. 엄청난 양의 데이터가 있음에도 불구하고, 기업들이 거기서 얻는 가치의 종류는 ROI를 정당화하지 못합니다."라고 그는 말합니다.

"그래서 우리는 '데이터 과학 프로세스를 원활하고 자동화된 플랫폼으로 만들 수 있을까?'라고 말하기 시작했습니다. 기업들이 모범 사례를 활용하고, 그들의 문제에 적용하고, 대규모로 해결할 수 있기를 원했습니다."

머신러닝의 발전

머신러닝의 기술적 능력 발전으로 푸칸과 공동창업자들은 이전에는 불가능했던 방식으로 고객이 사용할 수 있는 데이터와 정보의 방대한 볼륨을 다룰 수 있게 되었습니다. 제조 기업에게 결정적으로, 이는 생산 라인 같은 것들에 긍정적인 영향을 미치기 시작할 수 있음을 의미했습니다.

"예를 들어 센서가 활성화되면 다양한 운영 및 환경 조건에서 기계의 정상 작동을 매우 상세한 수준에서 이해하는 데 도움이 됩니다. 그런 다음 이것이 기계 건강에 어떻게 영향을 미치고 결과적으로 생산 라인의 효율성 측면에서 무엇을 하는지 평가할 수 있습니다."라고 그는 말합니다.

자동화된 플랜트 팜을 배포하여 누군가가 데이터 과학 전문가가 될 필요 없이, 프로그레스데이터RPM은 본질적으로 대규모 자산 기반 산업이 두 가지 문제를 해결하도록 돕습니다: 비계획적 가동 중단을 최소화하는 방법과 자산 출력의 품질과 효율을 극대화하는 방법. 이는 인지 이상 예측 소프트웨어를 통해 모두 수행됩니다. 센서 기반 데이터에 연결되는 순간 자동으로 기계의 정상 작동 조건을 기준선으로 설정합니다. 그런 다음 이 조건에서 벗어나는 것들을 찾아 경고를 생성하고 발생할 수 있는 잠재적 문제를 예측합니다.

푸칸이 이전의 전통적인 프로세스에서 주요한 출발이라고 믿는 것은 이 알려지지 않은 것을 예측하는 능력입니다. "우리는 왜 과거에 일이 일어났는지 조사할 수 있어야 하지만, 더 중요하게는 일어나지 않은 것들을 예측할 수 있어야 합니다."라고 그는 설명합니다.

조립 라인에 영향 미치기

제조 기업이 조사해야 할 핵심 영역 중 하나는 생산 라인에서 일어나는 일에 영향을 미치는 프로세스, 특히 품질 관리의 타이밍입니다. "자동차 및 의료 산업의 여러 제조업체와 협력했는데, 그들이 직면한 가장 큰 과제 중 하나는 품질 검사가 제조 공정의 마지막에 이루어진다는 것입니다. 그래서 제품 한 배치가 완전히 만들어지면 테스트를 실행하여 괜찮은지 확인합니다. 이는 폐기율을 최대 75%까지 높일 수 있습니다."라고 푸칸은 말합니다.

대부분의 테스트 스위트 규칙은 이전 경험을 기반으로만 작성될 수 있으므로, 설명되지 않은 새로운 문제가 발생하면 제품 리콜 같은 심각한 문제로 이어질 수 있습니다. 따라서 예측 분석 플랫폼 사용이 표준이 될 것이라고 푸칸에 따르면, 실제로 그는 제조업에서 이것이 점점 더 증가하는 것을 이미 확인했습니다.

"제조업체가 우리에게 말할 때, 그들은 머신러닝을 사용하여 도중에 배치가 결함이 있는지 판단할 수 있는지 묻습니다. 우리가 훨씬 더 일찍 것을 감지할 수 있다는 것을 알기 때문에, 비용과 손실을 최소화하기 위해 공정을 중단할 수 있습니다."

이것이 실제로 작동하는 구체적인 예가 있습니까? "우리는 프랑스의 대형 통신 사업자와 협력하는데, 그들은 셋톱박스에 실제 과제가 있었습니다. 이는 중장비 예측 유지보수가 필요하지 않을 것으로 가정하는 것입니다. 그들이 겪은 문제는 하나가 고날 때마다 문제를 식별하고 교체하러 가야 했다는 것입니다. 분명히 이는 시간과 비용 면에서 비용이 많이 듭니다. 고객을 잃을 엄청난 위험도 있습니다."라고 그는 말합니다.

"우리는 그들의 박스 3분의 1에 문제가 있음을 선제적으로 식별했습니다. 고객 서비스가 사람들에게 박스를 업데이트하거나 고장 나기 전에 교체품을 보내라고 전화할 수 있었습니다."

병목 분석의 미래

제조업체들은 기계 우선 인지 기술의 이점에 분명히 더 민감해지고 있습니다. 이는 이상을 식별하고 잠재적으로 주제 전문가를 불러 기계 발견의 파급 효과를 결정하는 데 도움을 줍니다.

사실, 푸칸은 AR, IoT, 보증, 하이브리드 클라우드 컴퓨팅, 블록체인이 모두 점점 더 역할을 할 것이라고 논의하지만, 알려지지 않은 것을 감지하는 것이 핵심이라고 느낍니다. "핵심은 이미 알려진 것이 아닙니다. 도메인 전문가들이 그걸 잘 처리할 수 있지만, 큰 과제는 알려지지 않은 것과 다음에 기업을 강타할 것입니다. 그것이 우리가 예방해야 할 것이고 그것이 제조업의 판도를 바꿀 핵심입니다."라고 푸칸은 결론짓습니다.