صتعت

در نهایت، تولیدکنندگان فرآیند باید نحوه ادغام برنامه با سایر ابزارها را در نظر بگیرند. همانطور که الگوریتم های بیشتری برای استفاده در زمینه تولید از منابع مختلف در دسترس قرار می گیرند، برخی از تیم های علم داده می خواهند از ابزارهای انتخابی خود برای توسعه و استفاده از الگوریتم های خود استفاده کنند، مانند استودیوی یادگیری ماشینی Azure (شکل 2)، AWS غیر مجاز می باشدeMaker، یا آناکوندا

سایرین به خدمات شخص ثالث، از جمله Amazon Lookout for Equipment و Azure AutoML، برای الگوریتم‌هایی که به مسائل عمودی و خاص دارایی مرتبط با حوزه‌های متمایز زنجیره ارزش رسیدگی می‌کنند، روی خواهند آورد.

همچنین اکوسیستم منبع باز کتابخانه های موجود در Github و دیگر مخازن موجود است، از جمله الگوریتم هایی از شرکت های نرم افزاری که IP خود را در دسترس کاربران نهایی قرار می دهند تا بتوانند نیازهای خاص خود را بررسی و تنظیم کنند. بسیاری از گروه‌های تحقیقاتی دانشگاه نیز از مدل منبع باز استقبال می‌کنند تا جامعه وسیع‌تری از کاربران OT را قادر سازند تا به راحتی به فناوری‌های جدید توسعه‌یافته دسترسی داشته باشند، تأثیر بگذارند و ارزش تولید کنند. نمونه‌های اخیر عبارتند از SysID از دانشگاه Brigham Young و Stiction Analyzer از HAW Hamburg، که هر دو به عنوان افزونه‌های Seeq منبع باز (https://seeq12.github.io/gallery/) در دسترس هستند.

برخی از برنامه های کاربردی تجزیه و تحلیل پیشرفته، مانند Seeq، به دانشمندان داده اجازه می دهد تا مجموعه ای از الگوریتم ها را از هر یک از این منابع ایجاد و استفاده کنند. این امکان دسترسی آسان به تیم های مهندسی را برای بررسی، نقد و تأثیرگذاری بر پیشرفت های علم داده فراهم می کند و همکاری بین تیم های علم داده و مهندسی اتوماسیون را افزایش می دهد. با گذشت زمان و از طریق مجموعه ای تکراری از تلاش ها و آزمایش های مشترک، قابل قبول بودن و دقت این مدل ها بهبود می یابد. در نهایت، اعتماد و رابطه بین این گروه ها ایجاد می شود زیرا هر دو طرف درک می کنند که باید برای اطمینان از موفقیت یادگیری ماشین به یکدیگر تکیه کنند.

کسب نتایج بهتر با همکاری IT/OT

کاربران نهایی می توانند الگوریتم هایی را ایجاد کرده و آنها را در Seeq منتشر کنند
برنامه های کاربردی تجزیه و تحلیل پیشرفته که همکاری IT/OT را افزایش می دهند، می توانند ارزش یادگیری ماشینی را در سطح صنعت افزایش دهند. سطح همکاری بین کارشناسان که از آزادی استقرار الگوریتم‌های اختصاصی، گزینه‌های شخص ثالث یا منبع باز ناشی می‌شود، فرصت‌های جدیدی را برای غلبه بر چالش‌های رایج باز می‌کند.

به عنوان مثال شرکت های پتروشیمی را در نظر بگیرید. تمامی شرکت های پتروشیمی موظف به رعایت استانداردهای آلایندگی EPA هستند. با دسترسی به الگوریتم‌هایی که به راحتی قابل اجرا هستند - در حالی که هنوز انعطاف‌پذیری برای حفظ محرمانه بودن اندازه‌گیری‌ها و محاسبات اختصاصی دارند - این نوع برنامه‌ها به حل یک چالش در سطح صنعت کمک می‌کنند. با قابلیت‌های مشترک، تخصص و الگوریتم‌ها می‌توانند از هر جایی به دست بیایند.

در اینجا چند مثال مورد استفاده وجود دارد که تلاش های مشترک IT/OT را نشان می دهد.

موارد استفاده کنید
یک شرکت بزرگ نفت و گاز از Seeq برای توسعه راه حلی برای نظارت بر یک قطعه مهم از تجهیزات استفاده کرد. از طرف OT، تیم عملیات شرکت از برنامه برای درک محدوده عملیاتی استفاده می کند که خروجی عملکرد را بهبود می بخشد و در عین حال طول عمر دارایی را به حداکثر می رساند. از بخش فناوری اطلاعات، این برنامه به دانشمندان داده شرکت امکان می دهد راه حل داخلی توسعه یافته خود را برای تعمیر و نگهداری پیش بینی و تجزیه و تحلیل چه-اگر عملیاتی و توزیع کنند.

تیم علم داده یک شرکت داروسازی قبلاً از یک الگوریتم یادگیری داخلی توسعه یافته و بدون نظارت که با استفاده از پایتون ایجاد شده بود برای شناسایی فعال حرکت حسگر در فرآیندهای دسته ای حساس استفاده می کرد. با این حال، گردش کار استاندارد آنها نیازمند چندین مرحله و مراحل زمان‌بر بود، از جمله آپلود داده‌ها، پاکسازی دستی آن، صادرات فایل به تیم علم داده، پردازش داده‌ها از طریق اسکریپت پایتون، و سپس ارسال داده‌ها به تیم در سایت. آنها همان الگوریتم ایجاد شده توسط تیم علم داده را انتخاب کردند و آن را به Seeq وصل کردند تا مدل را عملیاتی کنند و امکان همکاری کارآمدتر بین مهندسان خود و تیم علم داده را فراهم کنند. با گذشت زمان، تعامل دو طرفه باعث ایجاد اعتماد بین تیم ها شده و به آنها کمک می کند تا مدل را حفظ و بهبود بخشند.

یک تولید کننده مواد شیمیایی تخصصی می خواست پیش بینی دقیقی از وضعیت کیفیت محصول ایجاد کند، اما ابتدا باید تعیین می کرد که کدام متغیرهای اندازه گیری و دستکاری شده بیشترین تأثیر را بر سیگنال هدف دارند. این شرکت با ایجاد یک الگوریتم همبستگی و استقرار آن به عنوان یک ابزار الحاقی در Seeq، سیگنال‌های ورودی را با بیشترین تأثیر بر کیفیت محصول شناسایی کرد (شکل 3).

علاوه بر این، الگوریتم به طور خودکار تاخیرهای دینامیکی فرآیند بین سیگنال های بالادست و متغیر هدف را محاسبه کرد. تعداد کاهش یافته سیگنال، با تأخیرهای زمانی مناسب، به Seeq بازگردانده شد، جایی که یک مدل پیش بینی مستقر شد. سپس مهندسان مدل را در برابر داده های تاریخی اعتبارسنجی کردند و دریافتند که بیش از 90 درصد انحرافات کیفیت را به طور دقیق پیش بینی می کند. سازنده این طرح کنترل مبتنی بر مدل جدید را اتخاذ کرد و اکنون بیش از 500000 دلار در سال صرفه جویی می کند