Receptura
Skład mieszanki określający jej składniki oraz ich ilości lub udziały. Recepturę ustala się przed rozpoczęciem produkcji danej partii.
RAI Data / Słownik
Pojęcia z zakresu danych,
modelowania i optymalizacji.
Wyjaśniamy terminy używane w opisach usług i artykułach. Definicje odnoszą się przede wszystkim do zastosowań w produkcji.
Problem mieszankowy
Zadanie polegające na dobraniu udziałów składników tak, aby mieszanka spełniała ustalone wymagania, na przykład przy możliwie niskim koszcie. Obliczenia uwzględniają dostępność surowców i ograniczenia technologiczne.
Ograniczenia technologiczne
Warunki, które musi spełniać receptura lub sposób prowadzenia procesu. Mogą określać na przykład maksymalny udział składnika, dopuszczalną temperaturę lub możliwości instalacji.
Partia produkcyjna
Wyodrębniona ilość produktu wytworzona w określonych warunkach. Dane o jej składzie i przebiegu produkcji łączy się z wynikami badań tej samej partii.
Pętla decyzyjna
Powtarzający się cykl wyboru składu, produkcji, badania jakości i korekty receptury. Długi czas oczekiwania na wynik utrudnia szybkie sprawdzanie kolejnych zmian.
Dane procesowe
Informacje opisujące przebieg produkcji, takie jak nastawy urządzeń, temperatura, ciśnienie i czas trwania poszczególnych etapów. Przy analizie łączy się je z danymi o surowcach i wynikami badań produktu.
Powiązanie danych
Przypisanie informacji o składzie, warunkach produkcji i wynikach badań do właściwej partii. Pozwala sprawdzić, jak surowce oraz przebieg procesu wiążą się z jakością produktu.
Jakość danych
Stopień, w jakim dane są kompletne, spójne i wiarygodne. Przy ocenie sprawdza się między innymi braki pomiarów, błędy zapisu, zgodność jednostek i zmiany metod badawczych.
Zmienna wejściowa
Informacja wykorzystywana przez model do obliczenia wyniku, na przykład udział składnika, właściwość surowca lub nastawa urządzenia. W uczeniu maszynowym nazywa się ją także cechą.
Zmienna wyjściowa
Wartość lub kategoria, którą przewiduje model. Może to być na przykład wytrzymałość produktu albo oznaczenie partii jako wymagającej kontroli.
Audyt procesu i danych
Ocena zakresu, jakości i sposobu powstawania danych w kontekście procesu. Wskazuje możliwe zastosowania, ograniczenia oraz informacje, które warto zacząć zbierać lub lepiej ze sobą powiązać.
Model predykcyjny
Model służący do przewidywania nieznanego wyniku na podstawie dostępnych informacji. W produkcji może na przykład szacować jakość produktu na podstawie składu mieszanki i warunków procesu.
Uczenie maszynowe
Metody budowania modeli, których parametry są dobierane na podstawie danych. Pozwalają wykorzystać zależności rozpoznane w przykładach do przewidywania wyników lub przypisywania nowych przypadków do kategorii.
Sieć neuronowa
Rodzaj modelu uczenia maszynowego złożony z połączonych ze sobą jednostek obliczeniowych. Może odwzorowywać złożone zależności, ale jej przydatność trzeba sprawdzić dla konkretnego zadania.
Zbiór uczący i zbiór testowy
Zbiór uczący służy do budowy modelu. Zbiór testowy to odrębne dane, na których sprawdza się jego działanie po zakończeniu prac, bez dalszego dopasowywania modelu do uzyskanych wyników.
Walidacja krzyżowa
Sposób oceny modelu polegający na wielokrotnym uczeniu i sprawdzaniu go na różnych częściach danych. Podział trzeba dostosować do zastosowania: zapisy dotyczące tej samej partii lub kolejnych chwil procesu nie zawsze można losowo rozdzielić.
Błąd predykcji
Różnica między wartością przewidywaną a rzeczywistą. Dokładność modelu można oceniać, podsumowując błędy dla wielu przypadków. Warto wyjaśnić użytkownikowi zarówno wielkość typowych błędów, jak i ograniczenia takiej oceny.
Przeuczenie
Sytuacja, w której model nadmiernie dopasowuje się do szczegółów danych uczących, także tych przypadkowych. Może wtedy osiągać dobre wyniki podczas uczenia, a znacznie słabsze dla nowych danych.
Ekstrapolacja
Przewidywanie wyników poza zakresem danych wykorzystanych do budowy modelu. Takie prognozy wymagają ostrożności, ponieważ ich wiarygodność nie została potwierdzona dla tych warunków.
Dryf modelu
Zmiana warunków, danych lub zależności, w których działa model, mogąca pogorszyć jego skuteczność. Przyczyną bywa zmiana surowców lub sposobu prowadzenia procesu. Wymaga to oceny jakości prognoz i, w razie potrzeby, aktualizacji modelu.
Optymalizacja
Poszukiwanie możliwie najlepszego rozwiązania według ustalonego kryterium i z uwzględnieniem ograniczeń. Przy doborze mieszanek celem może być obniżenie kosztu przy zachowaniu wymaganej jakości.
Funkcja celu
Matematyczny zapis wielkości, którą chcemy zmniejszyć lub zwiększyć w zadaniu optymalizacji. Może to być na przykład koszt mieszanki. Od jej definicji zależy sposób porównywania rozwiązań.
Ograniczenia twarde i miękkie
Ograniczenia twarde muszą być spełnione, aby rozwiązanie zostało dopuszczone. Ograniczenia miękkie opisują preferencje: ich niespełnienie pogarsza ocenę rozwiązania, ale nie wyklucza go z porównania.
Przestrzeń rozwiązań
Zbiór rozważanych rozwiązań. Przy doborze receptury obejmuje kombinacje udziałów składników. Część tego zbioru, która spełnia wszystkie ograniczenia, nazywa się zbiorem rozwiązań dopuszczalnych.
Programowanie liniowe
Metoda rozwiązywania zadań optymalizacji, w których funkcja celu i ograniczenia są liniowe. W przypadku mieszanek może służyć do doboru udziałów składników na podstawie kosztu i bilansów.
Optymalizacja nieliniowa
Rozwiązywanie zadań, w których funkcja celu lub przynajmniej jedno ograniczenie ma postać nieliniową. W produkcji taka zależność może występować między składem mieszanki a jakością produktu.
Front Pareto
Zbiór wyników, dla których nie można poprawić jednego kryterium bez pogorszenia innego. Pomaga porównywać kompromisy, na przykład między kosztem a wybranym parametrem jakości.
Analiza wrażliwości
Sprawdzanie, jak zmiana założeń wpływa na wynik obliczeń. Może pokazać, jak cena surowca lub wymaganie jakościowe zmienia zalecany skład i koszt receptury.
Pilotaż
Próbne wdrożenie rozwiązania na wybranym, ograniczonym obszarze, na przykład dla jednego produktu. Służy sprawdzeniu jego przydatności i ograniczeń przed szerszym zastosowaniem.
Walidacja z użytkownikiem
Wspólne z przyszłym użytkownikiem sprawdzenie, czy narzędzie spełnia wymagania, a jego wyniki są zrozumiałe i przydatne w pracy.
Człowiek w pętli decyzyjnej
Sposób pracy, w którym narzędzie przygotowuje propozycję, a człowiek ją ocenia i podejmuje decyzję. W produkcji tę rolę może pełnić technolog odpowiedzialny za proces.
Monitoring modelu
Regularne sprawdzanie działania modelu, między innymi przez porównywanie prognoz z rzeczywistymi wynikami. Pozwala zauważyć pogorszenie dokładności i ocenić, czy model wymaga aktualizacji.
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.