Platforma umetne inteligence in strojnega učenja

Ne. Modeli so že pripravljeni za primere uporabe v proizvodnji, strokovnjaki MSF pa jih uglasijo na vaših podatkih.

Lokalno ali v zasebnem oblaku, odločitev je vaša. Vaši proizvodni podatki nikoli ne služijo za učenje modelov drugih podjetij.

Temelj so podatki iz MES; vsak dodatni modul (APS, Quality, Maintenance) odpre nove možnosti uporabe UI.

Šteje število označenih primerov na razred, ne to, koliko mesecev nazaj sega zgodovina. Model izmeta se uči iz napak, zato lahko linija z malo izmeta teče zelo dolgo in vseeno ne nabere dovolj primerov manjšinskega razreda za učenje, model napovedi povpraševanja pa hoče več celih sezonskih ciklov. Starejša zgodovina šteje le, če stoji na isti šifri artikla in isti strukturi obrata, kot jo napovedujete danes, zato najprej poiščite zadnjo migracijo ERP ali prešifriranje kosov. Kratka in čista serija je boljša od dolge, zlepljene čez prešifriranje.

Nadzorovani del ne. Prediktivna kakovost potrebuje procesne parametre na eni strani in resnično oznako izida na drugi, splošna zbirna šifra izmeta na večini zapisov pa je ne nauči ničesar. Najprej uredite šifriranje v MES in štejte pravilno šifrirane napake po posameznem vzroku izmeta, ne pretečenih tednov. Medtem je zaznavanje anomalij z LSTM nenadzorovano in oznak ne potrebuje, zato lahko začnete tam, s pridržkom, da označi neobičajno vedenje, ne poimenovane napake.

Ne. Modeli za parametre in optimizacijo dajejo priporočila, ki pridejo pred človeka, na ploščo, v poročilo ali kot predlagan urnik v APS, pisanje nazaj v krmilnik pa je ločena integracija, ki jo zavestno opredelite. Če kasneje res želite zaprto zanko z nastavitvenimi vrednostmi, to vzemite kot regulacijski projekt z lastnim obvladovanjem sprememb in nikoli kot nadomestilo za ožičene varnostne zapore.

Predvidite imenovanega procesnega ali kakovostnega inženirja s stalnim terminom za pregled; uglaševanje in ponovno učenje opravi MSF, rezultat pa potrebuje skrbnika na vaši strani. Ponavljajoče se delo je preverjanje, ali napovedi še sledijo dejanskemu stanju, javljanje, kdaj je nov izdelek, sprememba orodja ali generalno obnovljen stroj premaknil proces, ter vzdrževanje čistih šifer izmeta in zastojev. Ni delo za polni delovni čas, ni pa tudi zanemarljivo.

Natančnost pade, in pade tiho. Model se je naučil vaše tovarne, kakršna je bila, zato nov material, predelan stroj ali spremenjen cikel del njegove zgodovine naredijo nepomemben, izhod pa je še vedno videti prepričljiv. O načrtovanih spremembah procesa nam povejte vnaprej in v projektu določite, kateri modeli dobijo primerjavo napovedano proti dejansko, kdo jo bere in kako pogosto. Ne predpostavljajte, da je spremljanje odmika privzeto vklopljeno za vsak model.

Merjenje, dovolj podrobno, da prepozna posamezne porabnike, vaš dejanski tarifni koledar in razvrščevalnik, ki mu optimizator lahko preda načrt; en števec na vstopu v obrat pove skupno porabo in nič o tem, katero operacijo premakniti. Optimizator načrtuje glede na cenovna okna energije, merjeno v kWh. Ostati pod dogovorjeno obračunsko močjo je druga naloga, ki zahteva intervalno merjenje in sposobnost, da porabnik v danem trenutku zadržite ali odklopite, zato to opredelite posebej.

Ene same številke natančnosti ni. Model daje oceno, kje postavite prag opozorila, pa določi tako delež ujetih primerov kot delež lažnih alarmov, merjeno na kosih, ki jih model ni nikoli videl; izbira te točke je poslovna odločitev o tem, koliko stane zaustavljen dober kos proti odpremljenemu slabemu. Pomembnost spremenljivk in korelacija sta diagnostiki na ravni modela, dobri za lovljenje bližnjic, neuporabni pa za presojo posamezne označitve. Naj nekaj časa teče vzporedno in brez posledic, dokler se ne nabere dovolj resničnih napak za primerjavo.