توليدكنندگان فرآيند
در نهايت، توليدكنندگان فرآيند بايد نحوه ادغام برنامه با ساير ابزارها را در نظر بگيرند. همانطور كه الگوريتم هاي بيشتري براي استفاده در زمينه توليد از منابع مختلف در دسترس قرار مي گيرند، برخي از تيم هاي علم داده مي خواهند از ابزارهاي انتخابي خود براي توسعه و استفاده از الگوريتم هاي خود استفاده كنند، مانند استوديوي يادگيري ماشيني Azure (شكل 2)، AWS غير مجاز مي باشدeMaker، يا آناكوندا
سايرين به خدمات شخص ثالث، از جمله Amazon Lookout for Equipment و Azure AutoML، براي الگوريتمهايي كه به مسائل عمودي و خاص دارايي مرتبط با حوزههاي متمايز زنجيره ارزش رسيدگي ميكنند، روي خواهند آورد.
همچنين اكوسيستم منبع باز كتابخانه هاي موجود در Github و ديگر مخازن موجود است، از جمله الگوريتم هايي از شركت هاي نرم افزاري كه IP خود را در دسترس كاربران نهايي قرار مي دهند تا بتوانند نيازهاي خاص خود را بررسي و تنظيم كنند. بسياري از گروههاي تحقيقاتي دانشگاه نيز از مدل منبع باز استقبال ميكنند تا جامعه وسيعتري از كاربران OT را قادر سازند تا به راحتي به فناوريهاي جديد توسعهيافته دسترسي داشته باشند، تأثير بگذارند و ارزش توليد كنند. نمونههاي اخير عبارتند از SysID از دانشگاه Brigham Young و Stiction Analyzer از HAW Hamburg، كه هر دو به عنوان افزونههاي Seeq منبع باز (https://seeq12.github.io/gallery/) در دسترس هستند.
برخي از برنامه هاي كاربردي تجزيه و تحليل پيشرفته، مانند Seeq، به دانشمندان داده اجازه مي دهد تا مجموعه اي از الگوريتم ها را از هر يك از اين منابع ايجاد و استفاده كنند. اين امكان دسترسي آسان به تيم هاي مهندسي را براي بررسي، نقد و تأثيرگذاري بر پيشرفت هاي علم داده فراهم مي كند و همكاري بين تيم هاي علم داده و مهندسي اتوماسيون را افزايش مي دهد. با گذشت زمان و از طريق مجموعه اي تكراري از تلاش ها و آزمايش هاي مشترك، قابل قبول بودن و دقت اين مدل ها بهبود مي يابد. در نهايت، اعتماد و رابطه بين اين گروه ها ايجاد مي شود زيرا هر دو طرف درك مي كنند كه بايد براي اطمينان از موفقيت يادگيري ماشين به يكديگر تكيه كنند.
كسب نتايج بهتر با همكاري IT/OT
كاربران نهايي مي توانند الگوريتم هايي را ايجاد كرده و آنها را در Seeq منتشر كنند
برنامه هاي كاربردي تجزيه و تحليل پيشرفته كه همكاري IT/OT را افزايش مي دهند، مي توانند ارزش يادگيري ماشيني را در سطح صنعت افزايش دهند. سطح همكاري بين كارشناسان كه از آزادي استقرار الگوريتمهاي اختصاصي، گزينههاي شخص ثالث يا منبع باز ناشي ميشود، فرصتهاي جديدي را براي غلبه بر چالشهاي رايج باز ميكند.
به عنوان مثال شركت هاي پتروشيمي را در نظر بگيريد. تمامي شركت هاي پتروشيمي موظف به رعايت استانداردهاي آلايندگي EPA هستند. با دسترسي به الگوريتمهايي كه به راحتي قابل اجرا هستند - در حالي كه هنوز انعطافپذيري براي حفظ محرمانه بودن اندازهگيريها و محاسبات اختصاصي دارند - اين نوع برنامهها به حل يك چالش در سطح صنعت كمك ميكنند. با قابليتهاي مشترك، تخصص و الگوريتمها ميتوانند از هر جايي به دست بيايند.
در اينجا چند مثال مورد استفاده وجود دارد كه تلاش هاي مشترك IT/OT را نشان مي دهد.
موارد استفاده كنيد
يك شركت بزرگ نفت و گاز از Seeq براي توسعه راه حلي براي نظارت بر يك قطعه مهم از تجهيزات استفاده كرد. از طرف OT، تيم عمليات شركت از برنامه براي درك محدوده عملياتي استفاده مي كند كه خروجي عملكرد را بهبود مي بخشد و در عين حال طول عمر دارايي را به حداكثر مي رساند. از بخش فناوري اطلاعات، اين برنامه به دانشمندان داده شركت امكان مي دهد راه حل داخلي توسعه يافته خود را براي تعمير و نگهداري پيش بيني و تجزيه و تحليل چه-اگر عملياتي و توزيع كنند.
تيم علم داده يك شركت داروسازي قبلاً از يك الگوريتم يادگيري داخلي توسعه يافته و بدون نظارت كه با استفاده از پايتون ايجاد شده بود براي شناسايي فعال حركت حسگر در فرآيندهاي دسته اي حساس استفاده مي كرد. با اين حال، گردش كار استاندارد آنها نيازمند چندين مرحله و مراحل زمانبر بود، از جمله آپلود دادهها، پاكسازي دستي آن، صادرات فايل به تيم علم داده، پردازش دادهها از طريق اسكريپت پايتون، و سپس ارسال دادهها به تيم در سايت. آنها همان الگوريتم ايجاد شده توسط تيم علم داده را انتخاب كردند و آن را به Seeq وصل كردند تا مدل را عملياتي كنند و امكان همكاري كارآمدتر بين مهندسان خود و تيم علم داده را فراهم كنند. با گذشت زمان، تعامل دو طرفه باعث ايجاد اعتماد بين تيم ها شده و به آنها كمك مي كند تا مدل را حفظ و بهبود بخشند.
يك توليد كننده مواد شيميايي تخصصي مي خواست پيش بيني دقيقي از وضعيت كيفيت محصول ايجاد كند، اما ابتدا بايد تعيين مي كرد كه كدام متغيرهاي اندازه گيري و دستكاري شده بيشترين تأثير را بر سيگنال هدف دارند. اين شركت با ايجاد يك الگوريتم همبستگي و استقرار آن به عنوان يك ابزار الحاقي در Seeq، سيگنالهاي ورودي را با بيشترين تأثير بر كيفيت محصول شناسايي كرد (شكل 3).
علاوه بر اين، الگوريتم به طور خودكار تاخيرهاي ديناميكي فرآيند بين سيگنال هاي بالادست و متغير هدف را محاسبه كرد. تعداد كاهش يافته سيگنال، با تأخيرهاي زماني مناسب، به Seeq بازگردانده شد، جايي كه يك مدل پيش بيني مستقر شد. سپس مهندسان مدل را در برابر داده هاي تاريخي اعتبارسنجي كردند و دريافتند كه بيش از 90 درصد انحرافات كيفيت را به طور دقيق پيش بيني مي كند. سازنده اين طرح كنترل مبتني بر مدل جديد را اتخاذ كرد و اكنون بيش از 500000 دلار در سال صرفه جويي مي كند
برچسب: ،
ادامه مطلب