Platforma umjetne inteligencije i strojnog učenja

Ne. Modeli dolaze unaprijed izrađeni za slučajeve uporabe u industrijskoj proizvodnji, a MSF stručnjaci ih prilagođavaju vašim podacima.

On-premise ili u privatnom oblaku, po vašem izboru. Vaši proizvodni podaci nikada ne treniraju modele drugih tvrtki.

Podaci iz MES-a su temelj; svaki dodatni modul (APS, Kvaliteta, Održavanje) otključava dodatne slučajeve uporabe umjetne inteligencije.

Bitan je broj označenih primjera po klasi. Broj proteklih mjeseci sam po sebi ne znači mnogo. Model za škart uči iz nedostataka, pa linija s malo škarta može raditi jako dugo a da ne proizvede dovoljno primjera manjinske klase za treniranje, dok model potražnje traži nekoliko cijelih sezonskih ciklusa. Starija povijest vrijedi samo ako stoji na istoj šifri artikla i istoj strukturi pogona za koje danas radite prognozu, zato prvo pronađite zadnju ERP migraciju ili prenumeraciju šifri. Kratak čist niz vrijedi više od dugog prekinutog prenumeracijom.

Nadzirani dio ne radi. Prediktivnoj kvaliteti treba parametar procesa s jedne strane i stvarna oznaka ishoda s druge, a razlog škarta tipa ostalo na većini zapisa je ne uči ničemu. Prvo posložite šifriranje u MES-u i brojte ispravno šifrirane nedostatke po razlogu škarta umjesto proteklih tjedana. U međuvremenu je LSTM otkrivanje anomalija nenadzirano i ne treba mu nijedna oznaka, pa možete krenuti odatle, uz ogradu da ono označava neuobičajeno ponašanje bez imenovanja konkretnog nedostatka.

Ne. Modeli za parametre i optimizaciju daju preporuke koje završavaju pred čovjekom, na panelu, u izvještaju ili kao predloženi raspored u APS-u, a upis bilo čega natrag u upravljačku jedinicu zasebna je integracija koju svjesno definirate u opsegu. Ako kasnije stvarno želite zatvorenu petlju sa zadanim vrijednostima, tretirajte to kao projekt automatske regulacije s vlastitim upravljanjem promjenama, i nikada kao zamjenu za ožičene sigurnosne blokade.

Računajte s imenovanim procesnim ili inženjerom kvalitete i stalnim terminom za pregled; MSF radi ugađanje i ponovno treniranje, ali rezultat treba vlasnika na vašoj strani. Redoviti posao je provjera prate li predviđanja i dalje stvarnost, javljanje kada su novi proizvod, promjena alata ili remontirani stroj pomaknuli proces, te održavanje šifri škarta i zastoja čistima. Nije to posao na puno radno vrijeme, ali nije ni ništa.

Točnost pada, i pada tiho. Model je naučio vaš pogon kakav je bio, pa novi materijal, prerađeni stroj ili promijenjeno vrijeme ciklusa čine dio te povijesti nevažnim, dok izlaz i dalje izgleda samouvjereno. Javite nam planirane promjene procesa unaprijed i u projektu utvrdite koji modeli dobivaju usporedbu predviđeno naspram ostvareno, tko je čita i koliko često, umjesto da pretpostavite da je praćenje odstupanja modela uključeno za svaki model prema zadanim postavkama.

Mjerenje dovoljno granularno da se prepozna pojedini potrošač, vaš stvarni tarifni kalendar i raspoređivač kojemu optimizator može predati plan; jedno brojilo na ulazu u pogon govori vam ukupnu potrošnju i ništa o tome koju operaciju premjestiti. Optimizator planira prema cjenovnim prozorima energije, mjereno u kWh. Držanje ugovorene vršne snage drugi je posao koji traži mjerenje po intervalima i mogućnost da se trošilo u tom trenutku zadrži ili isključi, pa to definirajte zasebno.

Ne postoji jedan broj za točnost. Model daje ocjenu, a mjesto na koje postavite prag za alarm određuje i udio uhvaćenih slučajeva i udio lažnih uzbuna, mjereno na dijelovima koje model nikada nije vidio; izbor te točke poslovna je odluka o tome koliko stoji zaustavljen dobar komad naspram isporučenog lošeg. Važnost varijabli i korelacija dijagnostika su na razini modela, dobre da uhvate prečac koji je model naučio, ali beskorisne za prosudbu jedne pojedine oznake. Pustite model da radi u sjeni dok se ne nakupi dovoljno stvarnih nedostataka za usporedbu.