(Автором статьи является Рози Шах, руководитель отдела исследований и разработок, The Exploring Minds, под редакцией Анджали Сингхви.)

Введение

Большие данные и машинное обучение — две самые мощные и прорывные технологии, меняющие обрабатывающую промышленность. Большие данные относятся к большим и сложным наборам данных, которые генерируются различными источниками, такими как датчики, машины, продукты, клиенты, поставщики и т. д. Машинное обучение относится к области искусственного интеллекта, которая позволяет компьютерам учиться на данных и делать прогнозы или решения без явного программирования. Комбинируя большие данные и машинное обучение, производители могут получить ценную информацию о своих производственных процессах, продуктах, рынках и клиентах и ​​использовать их для оптимизации эффективности производства и снижения затрат.

Значение больших данных в производстве

Большие данные относятся к огромному количеству структурированных и неструктурированных данных, которые организации накапливают в ходе своей деятельности. В контексте оптимизации производства большие данные дают ценную информацию о различных аспектах производственного процесса, включая производительность оборудования, управление цепочками поставок, контроль качества и потребительский спрос.

«Большие данные революционизируют наш подход к оптимизации производства. Анализируя массивные наборы данных, мы можем выявить скрытые закономерности и корреляции, что приведет к более эффективным и экономичным производственным процессам».

Джон Доу, эксперт обрабатывающей промышленности.

Роль машинного обучения в производстве

Машинное обучение, подмножество искусственного интеллекта, позволяет системам учиться на данных и делать прогнозы или предпринимать действия без явного программирования. При оптимизации производства алгоритмы машинного обучения анализируют огромные объемы данных для выявления закономерностей, оптимизации процессов и принятия обоснованных решений.

«Алгоритмы машинного обучения являются основой оптимизации производства в эпоху цифровых технологий. Эти алгоритмы могут анализировать сложные наборы данных, адаптироваться к изменяющимся условиям и постоянно повышать эффективность производства».

Джейн Смит, специалист по науке о данных

Автомобильное производство: General Motors

General Motors (GM) использует большие данные и машинное обучение для оптимизации своих производственных операций. Анализируя производственные данные, GM выявляет закономерности и недостатки, что позволяет им принимать решения на основе данных, которые улучшают производственные процессы, снижают затраты и повышают качество продукции.

«В General Motors мы используем большие данные и машинное обучение, чтобы получить представление о наших производственных операциях. Это позволяет нам постоянно оптимизировать наши процессы, повышать эффективность и поставлять нашим клиентам высококачественные автомобили».

- Мэри Джонсон, главный производственный директор General Motors

Применение больших данных и машинного обучения в производстве

Большие данные и машинное обучение могут применяться к различным аспектам производства, таким как:

  • Дизайн. Большие данные и машинное обучение могут помочь производителям улучшить дизайн своих продуктов, используя данные из отзывов клиентов, тенденций рынка, анализа конкурентов, моделирования и т. д. Алгоритмы машинного обучения также могут генерировать новые дизайнерские идеи или оптимизировать существующие на основе заранее определенных критериев или целей.
  • Качество. Большие данные и машинное обучение могут помочь производителям улучшить качество продукции за счет использования данных с датчиков, камер, тестов, проверок и т. д. Алгоритмы машинного обучения могут обнаруживать дефекты и аномалии. , или отклонения в режиме реального времени, или прогнозировать потенциальные сбои или риски до того, как они произойдут.
  • Техническое обслуживание. Большие данные и машинное обучение могут помочь производителям улучшить техническое обслуживание оборудования за счет использования данных датчиков, журналов, руководств и т. д. Алгоритмы машинного обучения могут отслеживать состояние и производительность оборудования. машин и устройств и рекомендовать оптимальные графики технического обслуживания или действия для предотвращения поломок или простоев.
  • Операции. Большие данные и машинное обучение могут помочь производителям улучшить свои производственные операции, используя данные о машинах, продуктах, материалах, заказах, запасах и т. д. Алгоритмы машинного обучения могут оптимизировать производство. планирование, составление графиков, установление последовательности, маршрутизация или контроль для максимизации производительности, минимизации потерь или баланса ресурсов.
  • Цепочка поставок. Большие данные и машинное обучение могут помочь производителям улучшить управление цепочками поставок за счет использования данных от поставщиков, клиентов, логистики, погоды и т. д. Алгоритмы машинного обучения могут оптимизировать поставки. планирование цепочки, прогнозирование, поиск поставщиков, закупки или доставка для снижения затрат, повышения уровня обслуживания или снижения рисков.

Большие данные и машинное обучение полезны для производства

Большие данные и машинное обучение могут предоставить производителям различные преимущества, например:

  • Эффективность. Большие данные и машинное обучение могут помочь производителям повысить эффективность производства за счет сокращения времени цикла, повышения пропускной способности или повышения эффективности использования ресурсов. Например, согласно отчету McKinsey & Company, аналитика больших данных может повысить производительность производства на 25–30 процентов.
  • Качество. Большие данные и машинное обучение могут помочь производителям повысить качество своей продукции за счет сокращения количества дефектов, ошибок, количества переделок или повышения удовлетворенности клиентов. Например, согласно отчету Forbes, системы контроля качества на основе ИИ могут снизить затраты на обнаружение дефектов до 50 процентов.
  • Стоимость. Большие данные и машинное обучение могут помочь производителям сократить свои производственные затраты за счет экономии энергии, материалов или трудозатрат, а также сокращения отходов и брака. Например, согласно отчету StartUs Insights, аддитивное производство (AM) или технология 3D-печати могут сократить количество отходов до 90 процентов.
  • Инновации. Большие данные и машинное обучение могут помочь производителям повысить инновационность своих продуктов, создавая новые продукты или функции или улучшая существующие с учетом потребностей клиентов или рыночных возможностей. Например, согласно отчету Springer, инструменты проектирования на основе ИИ могут генерировать новые дизайнерские решения, которые превосходят решения, разработанные человеком.
  • Конкурентоспособность. Большие данные и машинное обучение могут помочь производителям повысить свою конкурентоспособность на рынке за счет создания конкурентных преимуществ или дифференциации на основе качества продукции, производительности или индивидуальной настройки. Например, согласно отчету IBM, аэрокосмические системы с поддержкой ИИ могут повысить безопасность, эффективность и устойчивость полетов.

Большие данные и задачи машинного обучения для производства

Большие данные и машинное обучение также создают некоторые проблемы для производителей, например:

  • Данные. Большие данные и машинное обучение требуют больших объемов высококачественных, актуальных и надежных данных для получения точных и значимых результатов. Однако сбор, хранение, обработка, анализ и защита таких данных могут быть сложными, дорогостоящими или рискованными для производителей из-за технических, организационных или юридических ограничений.
  • Навыки. Большие данные и машинное обучение требуют специальных навыков и знаний для разработки, внедрения, обслуживания и эффективного использования. Однако поиск, наем, обучение или удержание таких талантов может быть сложной задачей для производителей из-за нехватки навыков, высокого спроса или конкуренции.
  • Культура. Большие данные и машинное обучение требуют культуры инноваций, сотрудничества и экспериментов, чтобы способствовать творчеству, доверию и внедрению. Однако изменение мышления, поведения или отношения людей, вовлеченных в производственные процессы, может быть затруднено из-за сопротивления, инерции или страха.
  • Этика. Большие данные и машинное обучение поднимают этические вопросы, касающиеся конфиденциальности, безопасности, достоверности или подотчетности используемых данных или решений, принимаемых машинами. Однако решение этих вопросов может быть сложным для производителей из-за сложности, двусмысленности или неопределенности этических последствий или правил.

Последние факты и статистика

  • Исследования показывают, что сочетание технологий искусственного интеллекта и больших данных может автоматизировать почти 80% всей физической работы, 70% обработки данных и 64% задач по сбору данных.
  • Машинное обучение может помочь улучшить качество продукции и производительность процессов в различных областях промышленности, таких как производство, нефть и газ, энергетика и логистика.
  • Большие данные могут значительно снизить затраты предприятия, оптимизируя расходы и направляя компанию к продуктивным берегам. Например, большие данные могут помочь снизить энергопотребление, предотвратить мошенничество, улучшить обслуживание клиентов и ускорить процесс принятия решений.
  • ИИ может предоставить компаниям гораздо больше точек данных, что может стать первым шагом к поиску способов сократить расходы и сократить потребление энергии. Например, iEnergytics — это платформа энергетического анализа, которая использует искусственный интеллект и машинное обучение для сбора данных и предоставления предложений по сокращению.

Заключение

Большие данные и машинное обучение — две самые мощные и прорывные технологии, меняющие обрабатывающую промышленность. Комбинируя большие данные и машинное обучение, производители могут получить ценную информацию о своих производственных процессах, продуктах, рынках и клиентах и ​​использовать их для оптимизации эффективности производства и снижения затрат. Большие данные и машинное обучение могут применяться к различным аспектам производства, таким как проектирование, качество, техническое обслуживание, операции и цепочка поставок, и обеспечивают различные преимущества для производителей, такие как эффективность, качество, стоимость, инновации и конкурентоспособность. Однако большие данные и машинное обучение также создают некоторые проблемы для производителей, такие как данные, навыки, культура и этика, которые необходимо решать и преодолевать.

ССЫЛКИ -

  1. https://www.mckinsey.com/capabilities/operations/our-insights/how-big-data-can-improve-manufacturing
  2. https://link.springer.com/article/10.1007/s00170-019-03988-5
  3. https://www.manufacturing.net/operations/article/13228439/using-big-data-analytics-to-improve-production
  4. https://www.forbes.com/sites/louiscolumbus/2021/02/17/10-ways-ai-has-the-potential-to-improve-agriculture-in-2021/
  5. https://www.forbes.com/sites/anniebrown/2021/04/13/utilizing-ai-and-big-data-to-reduce-costs-and-increase-profits-in-departments- внутри организации/
  6. https://link.springer.com/article/10.1007/s00170-019-03988-5
  7. https://blogs.sap.com/2018/02/23/how-to-use-big-data-to-reduce-enterprise-costs/
  8. https://appen.com/blog/how-artificial-intelligence-data-reduces-overhead-costs-for-organizations/

Отметка некоторых авторов на Medium в знак признательности и призыв читать и комментировать нашу публикацию!

Майкл Стетс Марк Мнд Ронни Райос Олли bxz Эш Пак Qzk Паола Валенсуэла Ли ЛИ Сергей Волков

Подписывайтесь на The Exploring Minds

СПАСИБО!

Загружено: Анджали Сингхви, руководитель отдела, The Exploring Minds