Platforma AI i Uczenia Maszynowego

Nie. Modele są gotowe do zastosowań produkcyjnych i dostrajane przez ekspertów MSF na Twoich danych.

Lokalnie lub w prywatnej chmurze. Decyzja należy do Ciebie. Twoje dane produkcyjne nigdy nie trenują modeli innych firm.

Dane z MES stanowią fundament; każdy kolejny moduł (APS, Jakość, Utrzymanie Ruchu) odblokowuje kolejne zastosowania AI.

Liczy się liczba oznaczonych przypadków w każdej klasie. Liczba miesięcy ma drugorzędne znaczenie. Model braków uczy się na wadach, więc linia o niskim poziomie braków może pracować bardzo długo i wciąż nie dostarczyć wystarczająco dużo przypadków klasy mniejszościowej, natomiast prognozowanie popytu potrzebuje kilku pełnych cykli sezonowych. Starsza historia ma wartość tylko wtedy, gdy opiera się na tej samej kartotece indeksów i tej samej strukturze zakładu, dla której dziś prognozujesz. Sprawdź więc najpierw datę ostatniej migracji ERP albo przenumerowania indeksów. Krótki, spójny szereg jest lepszy niż długi, sklejony w poprzek zmiany numeracji.

Część nadzorowana nie zadziała. Predykcja jakości potrzebuje z jednej strony parametrów procesu, a z drugiej rzeczywistej etykiety wyniku, a kod zbiorczy typu „inne” na większości rekordów nie uczy modelu niczego. Najpierw uporządkuj kodowanie w MES i licz poprawnie zakodowane braki w rozbiciu na przyczyny. Tygodnie kalendarza nie są tu miarą. W tym czasie możesz zacząć od wykrywania anomalii z użyciem LSTM. Jest ono nienadzorowane i nie wymaga etykiet, z tym zastrzeżeniem, że sygnalizuje nietypowe zachowanie, bez nazwania konkretnej wady.

Nie. Modele optymalizacji i doboru parametrów generują rekomendacje, które trafiają przed człowieka: na panel, do raportu albo jako propozycję harmonogramu w APS. Zapis czegokolwiek z powrotem do sterownika to osobna integracja, którą trzeba świadomie zakresować. Jeśli później chcesz nastaw w zamkniętej pętli, potraktuj to jako projekt automatyki z własnym zarządzaniem zmianą i nigdy jako zamiennik sprzętowych blokad bezpieczeństwa.

Zaplanuj wskazanego technologa lub inżyniera jakości i stały termin przeglądu. Strojenie i ponowne trenowanie robi MSF, ale wynik musi mieć właściciela po Waszej stronie. Praca cykliczna to sprawdzanie, czy predykcje nadal pokrywają się z rzeczywistością, zgłaszanie sytuacji, w których nowy wyrób, zmiana oprzyrządowania albo remont maszyny przesunęły proces, oraz pilnowanie czystości kodów braków i postojów. To mniej niż etat, ale więcej niż zero.

Skuteczność spada i spada po cichu. Model nauczył się zakładu w takim stanie, w jakim był, więc nowy materiał, wyremontowana maszyna albo zmieniony czas cyklu unieważniają część jego historii, podczas gdy wyniki nadal wyglądają pewnie. Informuj nas o planowanych zmianach procesu z wyprzedzeniem i ustal w projekcie, które modele dostają porównanie predykcji z wykonaniem, kto je czyta i jak często. Nie zakładaj, że monitorowanie dryfu modelu jest domyślnie włączone dla każdego modelu.

Opomiarowania na tyle szczegółowego, żeby rozpoznać poszczególne odbiorniki, rzeczywistego kalendarza taryfowego oraz harmonogramowania, któremu optymalizator może przekazać plan. Jeden licznik na wejściu do zakładu pokaże sumę i nic nie powie o tym, którą operację przesunąć. Optymalizator planuje względem okien cenowych energii, liczonych w kWh. Utrzymanie zamówionej mocy umownej to inne zadanie. Wymaga pomiaru w oknach piętnastominutowych i możliwości wstrzymania lub zrzucenia obciążenia na bieżąco, więc zakresuj je osobno.

Nie ma jednej liczby opisującej skuteczność. Model zwraca wynik punktowy, a miejsce, w którym ustawisz próg alertu, przesądza jednocześnie o wykrywalności i o liczbie fałszywych alarmów, mierzonych na częściach, których model nigdy nie widział. Wybór tego punktu to decyzja biznesowa: ile kosztuje zatrzymana dobra część wobec wysłanej wadliwej. Istotność zmiennych i korelacje to diagnostyka na poziomie modelu, dobra do wyłapania pójścia na skróty, ale bezużyteczna do oceny pojedynczego alertu. Puść model równolegle, bez wpływu na decyzje, aż uzbiera się dość rzeczywistych braków do porównania.