Машинные данные с датчиков и подключенных устройств генерируют огромное количество информации, которую можно преобразовать в ценные знания для вашей организации. Традиционные подходы к данным могут позволить организациям отслеживать определенные условия, но эти подходы, естественно, ориентированы на прошлое. Внедрение машинного обучения в ваши данные может обеспечить прогнозную аналитику и перспективный анализ для дальнейшего раскрытия информации.

Традиционно было сложно внедрить и масштабировать использование машинного обучения в первую очередь из-за технических сложностей и нехватки специалистов по ИИ в разных отраслях.

Эта серия посвящена примерам использования, демонстрирующим, как Elipsa реализует доступный ИИ, позволяя существующим специалистам организации стать талантами ИИ и применять расширенную аналитику без необходимости написания кода.

Обеспечение качества

Как упоминалось в нашем блоге Обнаружение дефектов, Американское общество качества (ASQ) предполагает, что стоимость качества обычно составляет около 15–20% продаж, а в некоторых организациях может достигать 40%. Стоимость низкого качества включает в себя как внутренние, так и внешние издержки отказа. Другими словами, организации тратят значительные суммы денег на исправление дефектов, обнаруженных как в заводских условиях, так и у клиентов. Это приводит не только к прямым денежным потерям, но и косвенно в виде репутационного риска.

Многие отрасли промышленности, от производства до добычи полезных ископаемых и 3D-печати, страдают от проблем с контролем качества. Часто процессы состоят из нескольких трудоемких шагов. Компании стремятся оптимизировать свои процессы, но часто конечный результат все еще имеет недостаточное качество, что приводит к увеличению отходов, увеличению затрат и снижению доходов.

С помощью прогнозной аналитики организация может использовать информацию на различных этапах производственного процесса, такую ​​как характеристики материалов и настройки оборудования, для прогнозирования качества конечного результата. Этот прогноз позволит компаниям настраивать свои машины, чтобы каждый раз обеспечивать качественный результат.

В настоящее время организации пытаются минимизировать затраты, следуя определенным процессам и заданным параметрам. Однако эти заданные значения не всегда оптимальны. Машинное обучение позволяет организациям находить оптимальные уставки для каждого прогона.

Специалисты по обработке и анализу данных могут создавать прогностические модели в соответствии с вашими потребностями, но эти ресурсы дороги и труднодоступны.

Некоторые поставщики предоставляют возможность контролировать качество с помощью ИИ, но им требуется капитальный ремонт инфраструктуры.

Цель Elipsa с Appreachable AI — позволить пользователям создавать собственные модели прогнозирования качества с помощью существующего программного обеспечения/данных и без необходимости в специалисте по обработке и анализу данных.

Проблема: Обеспечение качества

В нашем примере мы исследуем набор данных из процесса добычи, основная цель которого состоит в том, чтобы предсказать, сколько примесей содержится в конечном концентрате руды. В этом конкретном примере мы хотели бы прогнозировать уровень примесей каждый час на основе текущего % примесей в материале и текущих настроек машины, чтобы дать инженерам заблаговременное уведомление о том, нужно ли им вносить коррективы, чтобы минимизировать количество загрязнений в конечном результате.

В результате более низкий уровень загрязняющих веществ поможет окружающей среде, а также повысит ценность конечного продукта, поскольку цена продукта напрямую зависит от уровня загрязнения.

Набор данных состоит из 501 132 точек данных или моментальных снимков на момент времени, содержащих процент загрязняющих веществ во входном материале, текущее значение 19 датчиков и настроек машины, а также количество загрязняющих веществ в выходных данных для использования для прогнозирования.

Применен доступный искусственный интеллект Elipsa

На основе этой информации вы можете использовать Elipsa для прогнозирования количества загрязняющих веществ на выходе. Однако в нашем примере использования мы определяем порог допустимого уровня загрязнения. Вместо прогнозирования % загрязняющих веществ мы предсказываем, превысит ли конечное количество загрязняющих веществ установленный нами порог.

Поскольку мы хотим построить модель для определения того, будет ли значение превышать пороговое значение, мы выберем прогнозирование события (превышение порогового значения или нет) вместо прогнозирования самого значения.

В нашем случае мы определили допустимый порог содержания диоксида кремния в конечном продукте как менее 3%. Наш набор данных содержит столбец с именем «Плохо», указывающий, превышает ли процент кремнезема 3 (значение 1 в столбце) или нет (значение 0).

После загрузки набора данных нам просто нужно выбрать столбец, который мы хотим предсказать. В нашем случае это столбец, указывающий, является ли итоговый результат некачественным или нет.

Оттуда выберите, какие столбцы вы хотели бы использовать в качестве потенциальных предикторов, и постройте модель. AI-движок Elipsa выполняет серию моделей и экспериментов по обработке данных, находя модель, которая лучше всего соответствует вашим данным с наиболее точными прогностическими результатами.

Результаты

Создание модели выполняется в фоновом режиме, и пользователь получает предупреждение о завершении. Результатом является ряд статистических данных, подробно описывающих, насколько хорошо ваша модель работала на новых данных. Эта информация позволит пользователям оценить, достаточно ли хороши результаты для развертывания этой модели в рабочей среде.

В нашем примере модель смогла правильно предсказать, будет ли конечный результат плохого качества в 95,23% случаев. Инженеры могут использовать прогнозы для оптимизации настроек своих машин, обеспечения качественных результатов и эффективного устранения производства некачественных материалов.

Развертывание

Благодаря полученной высокой точности пользователи Elipsa могут легко развернуть эту модель в облаке или на своих собственных периферийных устройствах одним нажатием кнопки. После развертывания пользователь может подключить облако или периферийное устройство к своим существующим приложениям через API-интерфейсы Elipsa, чтобы делать прогнозы относительно будущих данных об обработке данных.

Резюме

Мы смогли построить высокоточную модель, чтобы предсказать, будет ли качество конечного продукта ниже приемлемого порога. Кроме того, мы смогли развернуть эту модель в производственной среде без изменения существующей инфраструктуры.

Использование искусственного интеллекта и прогнозной аналитики для обеспечения качества позволит организации сократить потери и затраты, связанные с низким качеством. В нашем примере, когда цена привязана к уровню загрязняющих веществ, это также позволяет организации взимать более высокую плату за конечный продукт и увеличивать доход.

С помощью доступного ИИ Elipsa стремится превратить существующие в организации таланты в таланты ИИ, позволяющие им извлекать важные идеи в масштабе.

Для получения дополнительной информации закажите демонстрацию @ www.elipsa.ai