Przewiduj właściwości produktu
i wyniki procesu na podstawie danych

Do budowy modelu wykorzystujemy zapisy wcześniejszej produkcji, łącząc informacje o surowcach i przebiegu procesu z wynikami badań gotowego produktu. W przypadku mieszanek mogą to być właściwości poszczególnych składników, ich udziały procentowe oraz warunki, w jakich przetwarzano mieszaninę. Każda partia, dla której znamy te informacje i zmierzone parametry produktu, dostarcza przykładu do uczenia modelu. Na podstawie wielu takich przykładów model uczy się zależności między danymi opisującymi produkcję a jej wynikiem. Następnie sprawdzamy jego prognozy na osobnych danych, których nie wykorzystaliśmy podczas uczenia. Pozwala to ocenić, z jaką dokładnością można przewidywać właściwości kolejnych produktów.

Dobrze widać ten problem w procesach mieszankowych. Łączymy surowce w określonych proporcjach, a następnie poddajemy mieszaninę procesowi technologicznemu. Pod jego wpływem może ona zmienić się w produkt, który znacznie różni się od początkowej mieszanki. Powstają nowe właściwości fizyczne i chemiczne, a parametry gotowego produktu trudno wyznaczyć bezpośrednio z właściwości poszczególnych składników i ich udziałów procentowych.

Wiemy, że skład i warunki procesu wpływają na wynik, jednak opisanie tych zależności bywa bardzo trudne. Często brakuje wzoru lub metody obliczeniowej, która pozwoliłaby przewidzieć interesujący nas parametr z dokładnością potrzebną w produkcji. Technolog musi wtedy korzystać ze swojego doświadczenia, prób produkcyjnych i wyników badań.

W RAI Data budujemy modele, które pomagają uzupełnić tę wiedzę. Wykorzystujemy dane opisujące surowce, receptury, przebieg procesu oraz zmierzone właściwości gotowych produktów. Na ich podstawie uczymy model zależności między tym, co trafia do procesu, a tym, co z niego wychodzi. Dla kolejnej receptury i określonych warunków produkcji model może następnie przewidzieć parametry produktu, zanim poznamy wyniki jego badań.

Takie prognozy mogą wspierać dobór receptury, ocenę zmian w procesie i optymalizację produkcji. Choć szczególnie skupiamy się na mieszankach, podobne podejście stosujemy również w innych procesach, w których trudno obliczyć właściwości produktu, a dostępne dane pozwalają szukać zależności.

Choć szczególnie skupiamy się na procesach mieszankowych, budujemy również modele dla innych procesów produkcyjnych i zadań biznesowych. Punktem wyjścia jest konkretne pytanie: co chcemy przewidywać lub rozpoznawać? Następnie sprawdzamy, czy dostępne dane opisują czynniki wpływające na wynik i zawierają przykłady, na których można nauczyć model. Na tej podstawie dobieramy rozwiązanie do zadania.

Prognozy modelu porównujemy z rzeczywistymi wynikami dla przypadków, których nie wykorzystaliśmy podczas uczenia. Sprawdzamy, jak duże błędy popełnia i czy daje lepsze wyniki niż prostsze metody, na przykład przyjęcie średniej z wcześniejszych pomiarów. Oceniamy też, czy jego dokładność wystarcza do decyzji, którą ma wspierać. Użytkownik powinien wiedzieć, w jakich warunkach może korzystać z prognozy i kiedy potrzebna jest dodatkowa weryfikacja.