← Tüm Ürünler
🤖
Yapay Zeka Ürünü

Yapay Zeka ve Makine Öğrenmesi Platformu

Fabrika verileriniz kararlara dönüşür

MSF yapay zeka platformu; çizelgeleri optimize etmek, kalite sorunlarını öngörmek, talebi tahminlemek ve gizli kapasiteyi ortaya çıkarmak için üretim verilerinizden öğrenir. Tüm MSF modüllerinin üzerinde zeka katmanı olarak çalışır.

Demo Talep EtPoC Başlat

Üretimde yapay zeka ve makine öğrenmesi platformu nedir?

Üretimde yapay zeka platformu, çizelgeleri optimize etmek, kalite sorunlarını öngörmek, talebi tahminlemek ve anormal makine davranışını tespit etmek için üretim verilerine makine öğrenmesi uygular. Meta Smart Factory'nin yapay zeka platformu tüm MSF modüllerinin üzerindeki zeka katmanıdır: üretime özel hazır modeller MSF uzmanları tarafından fabrikanın kendi verileriyle ayarlanır, böylece kurum içi bir veri bilimi ekibine gerek kalmaz; her model, bir uyarı canlıya alınmadan önce gölge modda çalışır.

Öne Çıkan Özellikler

Çizelge optimizasyonu yapay zekasıPekiştirmeli öğrenme, fabrikanıza özgü APS çizelgeleme kararlarını sürekli iyileştirir.
Kestirimci kaliteParça henüz tamamlanmadan süreç parametrelerinden fire riskini tahmin eder.
Talep tahminlemeMakine öğrenmesi modelleri; isabetli tahminler için geçmiş verileri, mevsimselliği ve pazar sinyallerini birleştirir.
Enerji optimizasyonuTeslim tarihlerini aksatmadan enerji yoğun operasyonları ucuz tarife saatlerine kaydırır.
Anomali tespitiBir arızaya veya hataya dönüşmeden önce olağandışı makine veya süreç davranışını tespit eder.
Büyük veri analitiğiTüm üretim sahası verileri; panolar ve self-servis raporlarla tek bir analitik katmanda.
Korelasyon ve değişken önem analiziSpearman korelasyonu ve XGBoost değişken önem analizi, çıktınızı ve kalitenizi gerçekte hangi süreç parametrelerinin belirlediğini ortaya koyar.
LSTM anomali tespitiOtokodlayıcı ağlar normal sensör davranışını öğrenir ve anomalileri gerçek zamanlı olarak işaretler. Sonuçlar ekipman ve parametre bazında, önem ısı haritalarıyla gösterilir.
Çıktı tahmini ve parametre optimizasyonuRandom Forest modelleri, çıktıyı gerçek ve ortalama değerlere göre tahmin eder; her çalıştırma için optimal makine parametrelerini önerir.
Eşik devreye girmeden önce gölge çalıştırmaModel önce paralelde çalışıp skor üretir; uyarı eşiğini istediğiniz yere koymanıza yetecek kadar gerçek hata birikene dek. Yakalama oranına karşı yanlış alarm, üstelik modelin daha önce görmediği parçalar üzerinde.
Model bazında kararlaştırılan sapma takibiHangi modellerde tahmin ile gerçekleşenin karşılaştırılacağı, bunu kimin ne sıklıkla okuyacağı proje sırasında netleşir; böylece yeni bir ürün ya da yenilenmiş bir makine sonrası sapma gözden kaçmaz.
Anomali tespiti temiz fire koduna ihtiyaç duymazLSTM yolu gözetimsizdir; fire nedenlerini hâlâ düzeltmekte olan bir tesis buradan başlayabilir. Ancak bu yol yalnızca olağandışı davranışı işaretler, hataya ad koymaz.
DerinlemesineBir fabrikada yapay zeka ile otomatikleştirmeye gerçekten değen işlerBir üreticiye gösterilen yapay zeka demolarının neredeyse hepsi çalışır. Sorulması gereken asıl soru, aynı şeyin sizin sahanızda, sizin verinizle, önümüzdeki çeyrekte ve sahibi izindeyken de çalışıp çalışmayacağıdır. Bu sayfa, elinde gerçek bir problem olan ve hepsine birden "yapay zeka" denen dört beş farklı şeyden hangisinin teklif edildiğini henüz ayırt edemeyen mühendis için.Yazının tamamını okuyun →

Bir Bakışta

Gölge modCanlıya geçmeden önce paralel puanlama
LSTMHam sensör verisinde anomali tespiti
wksModel eğitimi
∞Öğrenmeye devam eder

Teknik Özellikler

Veri temeli
MES üretim verisi ön koşuldur; eklenen her modül (APS, Kalite, Bakım) yeni yapay zeka kullanım senaryolarını açar.
Model girdileri
Gözetimli modeller (XGBoost değişken önem analizi, Random Forest çıktı tahmini) süreç parametrelerinin yanında kodlanmış bir sonuç etiketi ister; LSTM otokodlayıcı için ham sensör serisi yeterlidir.
Kurulum
Yerinde (on-premise) ya da özel bulut, tercih sizin; üretim verisi yalnızca kendi modellerinizde kalır.
Çıktının gittiği yer
Yalnızca öneri: bir panel, bir rapor ya da APS'te önerilen bir çizelge. Kontrolöre set değeri geri yazmak kapsamı ayrıca belirlenen bir entegrasyondur, hiçbir zaman emniyet kilidi değildir.
Gereken etiketli veri
Gözetimli modellerde ölçüt, geçen ay sayısı olmaz; sınıf başına doğru kodlanmış örnek sayısıdır. Fire modelleri gerçek fire neden kodları ister, talep modelleri birkaç tam sezon döngüsü.
Enerji için ön koşullar
Tek tek tüketicileri ayırt edecek çözünürlükte sayaç, tarife takviminiz ve planı alacak bir çizelgeleyici; optimizasyon yalnızca kWh fiyat pencerelerine göre yapılır.
Müşteri tarafındaki efor
Adı konmuş bir süreç ya da kalite mühendisi ve düzenli bir gözden geçirme toplantısı; ayarlamayı ve yeniden eğitimi MSF yapar, fire ve duruş kodlarını temiz tutmak ve süreç değişikliklerini bildirmek müşterinin işidir.

Platformdan Gerçek Ekranlar

LSTM Autoencoder ile anomali tespiti: yeniden oluşturma hatası anormal ekipman davranışını gerçek zamanlı işaretler
LSTM Autoencoder ile anomali tespiti: yeniden oluşturma hatası anormal ekipman davranışını gerçek zamanlı işaretler
Anomali önem ısı haritası: hangi parametrenin, ne zaman ve ne kadar saptığı
Anomali önem ısı haritası: hangi parametrenin, ne zaman ve ne kadar saptığı
DerinlemesineÜretimde Makine Öğrenmesi: Gerçekten Geri Ödeyen Yedi Kullanım SenaryosuYapay zeka sunum slaytlarını unutun. Bunlar, gerçek üretim sahalarında tutarlı biçimde para kazandıran yedi makine öğrenmesi uygulaması ve her birinin çalışabilmesi için önce ihtiyaç duyduğu veriler.Yazının tamamını okuyun →

Sıkça Sorulan Sorular

Bir veri bilimi ekibine ihtiyacım var mı?

Hayır. Modeller üretim kullanım senaryoları için hazır gelir ve MSF uzmanları tarafından sizin verilerinize göre ayarlanır.

Veriler nerede saklanır?

Şirket içinde ya da özel bir bulutta. Seçim sizin. Üretim verileriniz asla başka şirketlerin modellerini eğitmek için kullanılmaz.

Yapay zeka hangi modülleri gerektirir?

MES verisi temelidir; eklenen her modül (APS, Kalite, Bakım) daha fazla yapay zeka kullanım senaryosu açar.

Yapay zeka için ne kadar geçmiş üretim verisi gerekiyor?

Burada sayılan şey sınıf başına etiketli örnek sayısıdır; kaç ay geçtiği belirleyici olmaz. Fire modeli hatalardan öğrenir; firesi düşük bir hat uzun süre çalışsa da eğitime yetecek kadar azınlık sınıfı üretmeyebilir, talep modeli ise birkaç tam sezon döngüsü ister. Eski veri ancak bugün tahmin ettiğiniz stok kartı ve tesis yapısıyla örtüşüyorsa sayılır, o yüzden önce son ERP geçişinizi veya parça numarası değişikliğinizi bulun. Kısa ve temiz bir seri, numara değişikliğinin üstünden ekleyerek uzatılmış bir seriden iyidir.

Fire nedeni kodları olmadan kestirimci kalite çalışır mı?

Denetimli kısmı çalışmaz. Kestirimci kalite bir tarafta süreç parametrelerini, diğer tarafta gerçek bir sonuç etiketini ister; kayıtların çoğunda her şeyi toplayan tek bir 'diğer' fire nedeni varsa model hiçbir şey öğrenmez. Önce MES tarafındaki kodlamayı düzeltin, sonra fire nedeni başına doğru kodlanmış hata adedini sayın. Geçen hafta sayısı burada bir şey söylemez. Bu arada LSTM anomali tespiti denetimsizdir, etiket istemez. Oradan başlayabilirsiniz; yalnız bu yöntemin hataya ad koymadığını, olağandışı davranışı işaretlediğini bilerek.

Yapay zeka makine parametrelerini kendi başına değiştiriyor mu?

Hayır. Parametre ve optimizasyon modelleri öneri üretir; bu öneri bir panelde, bir raporda ya da APS içinde önerilen çizelge olarak bir insanın önüne düşer. Kontrolöre geri yazmak ayrı bir entegrasyondur ve bilinçli olarak kapsama alınır. İleride kapalı çevrim set değeri istiyorsanız bunu kendi değişiklik yönetimi olan bir kontrol projesi gibi ele alın. Böyle bir sistem donanımsal emniyet kilitlemelerinin yerine asla geçmemeli.

Devreye aldıktan sonra yapay zeka modellerinin bakımı bizim ne kadar zamanımızı alır?

Adı konmuş bir süreç ya da kalite mühendisi ve takviminde sabit bir gözden geçirme zamanı ayırın; ayar ve yeniden eğitimi MSF yapar ama sonucun sizin tarafınızda bir sahibi olmalı. Tekrar eden iş, tahminlerin hâlâ gerçekle örtüşüp örtüşmediğini kontrol etmek, yeni bir ürün, bir kalıp veya takım değişikliği ya da revizyondan çıkmış bir makine süreci kaydırdığında bunu bildirmek ve fire ile duruş kodlarını temiz tutmaktır. Tam zamanlı bir iş gerektirmez, ama hesaba katılması gereken bir yüktür.

Süreci değiştirdiğimizde veya yeni bir ürün devreye aldığımızda modellere ne oluyor?

İsabet düşer ve sessizce düşer. Model fabrikanızı o günkü haliyle öğrendi; yeni bir malzeme, yenilenmiş bir makine ya da değişen bir çevrim süresi geçmişin bir kısmını geçersiz kılar, çıktı ise hâlâ kendinden emin görünür. Planlı süreç değişikliklerini bize önceden söyleyin ve hangi modellerde tahmin ile gerçekleşen karşılaştırması yapılacağını, bunu kimin ne sıklıkta okuyacağını projede netleştirin. Kayma takibinin her model için varsayılan olarak açık olduğunu varsaymayın.

Yapay zeka ile enerji optimizasyonu için ne gerekiyor?

Tek tek tüketicileri ayırt edecek çözünürlükte sayacınız, gerçek tarife takviminiz ve optimizasyonun plan verebileceği bir çizelgeleme. Fabrika girişindeki tek sayacın size söylediği toplamdır, hangi operasyonu kaydıracağınız değil. Optimizasyon, kWh bazında fiyatlanan enerji tarifesi pencerelerine göre plan yapar. Sözleşmedeki puant güç sınırını tutmak ayrı bir iştir; periyot bazında ölçüm ve o an bir yükü tutma ya da atma imkânı gerektirir, onu ayrı kapsama alın.

Yapay zeka tahminleri ne kadar isabetli?

Tek bir isabet oranı yok. Model bir skor üretir; alarm eşiğini nereye koyduğunuz hem yakalama oranını hem yanlış alarm oranını birlikte sabitler ve bunlar modelin hiç görmediği parçalar üzerinde ölçülür. O noktayı seçmek, durdurulan sağlam bir parçanın maliyetini sevk edilen hatalı bir parçaya karşı tartan ticari bir karardır. Değişken önem ve korelasyon model seviyesinde teşhis araçlarıdır; modelin kestirme bir yol bulmuş olduğunu yakalamak için iyi, tek bir uyarıyı yargılamak için işe yaramaz. Karşılaştırmaya yetecek kadar gerçek hata birikene dek gölge modda çalıştırın.

Fabrikanızın potansiyelini görmeye hazır mısınız?

Üretiminize özel ücretsiz demo ve PoC planı alın.

Demo Talep Et