Kiedy rozmawiamy o wykorzystaniu danych w produkcji, często pada pytanie: „Czy da się do tego zbudować model?”. Warto wtedy doprecyzować, czego właściwie potrzebujemy. Czym innym jest przewidzenie wyniku dla wybranego składu, a czym innym znalezienie składu, który warto wyprodukować.
Zacznijmy od dwóch receptur
Załóżmy, że technolog rozważa zmianę udziału jednego z surowców. Nowy skład byłby tańszy, ale nie wiadomo, jak wpłynie na wytrzymałość produktu. Jeśli mamy model przewidujący ten parametr, możemy podać mu obie receptury i porównać oszacowania. Tak działa model predykcyjny: na podstawie podanych informacji przewiduje wynik.
Nie oznacza to jeszcze, że model sam zaproponuje nową recepturę. Ocenia skład, który mu przedstawiono. Jeżeli rozważamy dwie lub trzy receptury, może to w zupełności wystarczyć. Technolog porówna przewidywaną jakość, koszt i własną ocenę ryzyka, a następnie wybierze wariant do sprawdzenia.
DWA RÓŻNE ZADANIA
Model predykcyjny
Receptura→Prognoza jakości
Optymalizator
Cel i ograniczenia→Propozycja składu
Model ocenia podany skład. Optymalizator szuka odpowiednich proporcji.
Gdy możliwych składów jest zbyt wiele
Sytuacja zmienia się, kiedy do dyspozycji mamy kilkanaście surowców, a ich udziały można zmieniać w określonych granicach. Ręczne wpisywanie kolejnych receptur szybko przestaje być wygodne. Wtedy potrzebne jest narzędzie, które będzie szukało dopuszczalnych proporcji i porównywało je według przyjętego kryterium. Takie zadanie wykonuje optymalizator.
Celem może być ograniczenie kosztu mieszanki przy zachowaniu wymaganej jakości. Optymalizator musi znać ceny i dostępność surowców, dopuszczalne udziały oraz pozostałe ograniczenia procesu. Do oceny jakości może wykorzystywać model predykcyjny. Oba narzędzia wykonują wówczas różne części jednego zadania: model szacuje parametry, a optymalizator poszukuje odpowiedniego składu.
Ograniczenia trzeba zapisać wprost
Najniższy koszt niewiele znaczy, jeśli zaproponowanej mieszanki nie można przygotować na danej instalacji. Podobnie jest z surowcem, którego cena wygląda korzystnie, ale dostępna ilość wystarczy tylko na część zamówienia. Takie warunki muszą zostać uwzględnione w obliczeniach.
Dlatego przygotowanie optymalizacji wymaga rozmowy z technologiem i osobami odpowiedzialnymi za zaopatrzenie oraz planowanie produkcji. Trzeba ustalić, które wymagania są bezwzględne, gdzie pozostaje pewna swoboda i według czego będziemy oceniać wynik. Program nie rozpozna sam reguły, której nikt nie zapisał. Może za to konsekwentnie sprawdzać te, które otrzymał.
Nie zawsze trzeba stosować uczenie maszynowe
Niektóre właściwości mieszanki można obliczyć z wystarczającą dokładnością na podstawie udziałów składników i znanych zależności. W takim przypadku optymalizator może korzystać z tych obliczeń, bez dodatkowego modelu budowanego na podstawie wcześniejszych wyników produkcji. Takie rozwiązanie bywa prostsze do sprawdzenia i późniejszego utrzymania.
Uczenie maszynowe staje się przydatne wtedy, gdy zależność między składem a wynikiem jest bardziej złożona, a zakład dysponuje danymi pozwalającymi ją odtworzyć. Sam fakt posiadania dużej liczby zapisów nie wystarczy. Ważne jest, czy opisują badane zależności, obejmują istotne warunki procesu i dają się powiązać z wiarygodnymi pomiarami.
Jak sprawdzić, czy można polegać na wynikach?
Model powinien odwzorowywać rzeczywiste wyniki z dokładnością wystarczającą do decyzji, które ma wspierać. Sprawdzamy to na danych, których nie używano podczas jego dopasowania. Ocenę odnosimy do wymagań procesu: istotne jest nie tylko to, jak duży bywa błąd, lecz także czy mógłby prowadzić do wyboru niewłaściwej receptury.
Po potwierdzeniu dokładności można przenieść porównywanie receptur do komputera. Technolog nie musi sprawdzać na produkcji każdej propozycji optymalizatora. Może dopracować skład na podstawie prognoz i wybrać wariant do zastosowania zgodnie z przyjętymi zasadami kontroli jakości. W ten sposób ogranicza liczbę prób, zużycie surowców i czas potrzebny na znalezienie odpowiednich proporcji.
Warunkiem jest korzystanie z modelu w zakresie, dla którego sprawdzono jego działanie. Nowy surowiec, inna instalacja lub istotna zmiana procesu mogą wymagać dodatkowych danych i ponownej oceny. Utrzymywanie zgodności prognoz z produkcją jest częścią pracy z modelem.
Od czego zacząć?
Od sprawdzenia danych, które firma już ma. Analizujemy, co opisują, czy można je ze sobą powiązać i czy obejmują wyniki potrzebne do oceny przyszłego rozwiązania. Dopiero wtedy proponujemy zastosowania. Klient nie musi wcześniej rozstrzygać, czy potrzebuje predykcji, optymalizacji, czy innego narzędzia.
Wynikiem takiej oceny może być propozycja modelu, ale także zalecenie zbierania dodatkowych informacji. Wyjaśniamy, czego brakuje i co nowe zapisy pozwolą sprawdzić. Jeśli dostępne dane uzasadniają dalsze prace, wspólnie wybieramy zastosowanie przydatne firmie i ustalamy sposób oceny pilotażu.
Sprawdźmy, co można zrobić
z danymi Twojej firmy.
Oceniamy dostępne dane i wskazujemy, do czego mogą się przydać oraz jakie informacje warto zacząć zbierać. Napisz do nas. Ustalimy, od czego zacząć.
