Устранение бутылочных горлышек: использование аналитики для производственной эффективности

Рубан Пхукан, сооснователь и главный продуктовый и аналитический офицер Progress DataRPM, обсуждает вековую битву с бутылочными горлышками и роль предиктивной аналитики в производстве.

Проблемы, окружающие бутылочные горлышки в производстве, хорошо задокументированы. От задержек производства, перезапаса, повышенного давления от клиентов и далее, проблемы, вызванные внезапным, непредвиденным ограничением в мощности, могут быть verheрительными для любого бизнеса в отрасли. С этим в виду, Manufacturing Global говорит с бывшим дата-сайентистом Yahoo и ведущим светом Progress DataRPM, Рубаном Пхуканом, о использовании предиктивных моделей обслуживания и как они могут помочь установить fail-proof среду.

Добраться до сути проблемы

Как бывший член команды анализа данных Yahoo, Пхукан хорошо знаком с усложнениями, окружающими использование big data. «Я был частью первой команды data science, созданной в Yahoo много лет назад», — говорит он. «Большой урок там был в том, что data science очень трудно масштабировать вручную для крупных организаций. Мы поняли, что единственный способ действительно решить проблему data science способом, который может добавить ценность бизнесу — автоматизировать процессы, идущие за тем анализом данных».

Перейдя от Yahoo, Пхукан начал свой собственный бизнес вертикального поиска, используя машинное обучение для понимания поведения пользователей, конкретно занимаясь предиктивной аналитикой. После продажи он пошёл в бизнес со своими нынешними сооснователями, где он подбирает историю ProgressDataRPM и как она делает шаги к, среди многих других вещей, борьбе с бутылочными горлышками.

«Когда мы впервые собрались, мы поняли, что было огромное количество цифровых данных, генерируемых, но проблема оставалась той же: её нельзя решить вручную. Просто недостаточно дата-сайентистов. Даже с огромным количеством данных там, тип ценности, который бизнесы получали из него, не оправдывал ROI», — говорит он.

«Так что мы начали говорить: «можем ли мы создать платформу, которая делает процессы data science бесшовными и автоматизированными?» Мы хотели, чтобы бизнесы могли использовать лучшие практики, применять их к своим проблемам и решать их в масштабе».

Авансы в машинном обучении

С авансом в технологической способности машинного обучения, Пхукан и его сооснователи смогли адресовать чистый объём данных и информации, доступных их клиентам, способом, который не был возможен раньше. Критически, для производственных бизнесов, это означало, что они могли также инициировать позитивное влияние на вещи вроде производственной линии.

«Например, с вещами вроде датчиков, включённых, это помогает нам понять на очень детальном уровне, нормальное функционирование машины под разными операционными и экологическими условиями. Мы можем затем оценить, как это влияет на здоровье машины и следовательно что это делает с производственной линией, в терминах эффективности», — говорит он нам.

Внедряя автоматизированный plant farm, который не требует от кого-то быть экспертом data science, ProgressDataRPM по сути помогает крупным asset-based отраслям решить две проблемы: как минимизировать непланируемый downtime и как максимизировать качество и эффективность выхода их активов. Всё это делается через его когнитивное программное обеспечение предсказания аномалий. Момент, когда оно подключено к сенсорным данным, оно автоматически базлайнит нормальные операционные условия машины. Оно затем ищет вещи, отклоняющиеся от этих условий и создаёт алерт перед предсказанием потенциальных проблем, которые могут произойти.

Именно эта способность предсказывать неизвестное, как считает Пхукан, представляет крупный отход от предыдущих традиционных процессов. «Нам нужно уметь изучать, почему вещи случались в прошлом, но, что важнее, нам нужно также предсказывать вещи, которые не случались», — объясняет он.

Влияние на сборочную линию

Одна из ключевых областей, которые производственные бизнесы должны изучить — процессы, влияющие на то, что происходит на производственной линии, конкретно тайминг контроля качества. «Мы работали с рядом производителей в авто и здравоохранении, например, и одна из крупнейших проблем, с которыми они сталкиваются — контроль качества происходит в конце производственного процесса. Так что, когда целая партия продукта сделана, тесты запускаются для определения, ок ли она. Это может вести к scrap rates до 75%», — говорит Пхукан.

Поскольку большинство правил тестовых наборов могут быть написаны только на основе предыдущего опыта, когда возникает новая проблема, не учтённая ранее, это может вести к серьезным проблемам вроде отзывов продукции. Использование платформ предиктивной аналитики станет поэтому, согласно Пхукану, нормой. Действительно, это то, что он уже идентифицировал всё более в производстве.

«Когда производители говорят с нами, они спрашивают, могут ли они использовать машинное обучение для определения, по ходу дела, если партия дефектна. Они знают, что мы можем детектировать вещи намного раньше, так что они могут остановить процесс для минимизации затрат и потерь».

Есть ли у него конкретные примеры этого в действии? «Мы работаем с крупным телеком-провайдером во Франции, и у них был реальный вызов с их set-top box, что не то, что вы предположили бы требует тяжёлого предиктивного обслуживания. Проблема была в том, что каждый раз, когда один выходил из строя, им приходилось идти и идентифицировать проблему и заменять её. Очевидно, это дорого в терминах времени и денег. Есть также огромный риск потери клиентов», — говорит он.

«Мы проактивно идентифицировали, что треть их боксов имела проблему, что означало, что клиентский сервис мог звонить и говорить людям обновить свой бокс или отправить замену до того, как произойдёт сбой».

Будущее анализа бутылочных горлышек

Производители явно становятся более настроенными на выгоды machine-first когнитивной технологии, позволяющей им идентифицировать аномалии и потенциально привозить субъект-эксперта для помощи в определении последствий находок машины.

Действительно, Пхукан обсуждает, как AR, IoT, гарантии, гибридное облачное вычисление и блокчейн всё более будут играть свою роль тоже, однако, обнаружение неизвестного он чувствует будет ключом. «Ключ — не в том, что уже известно; доменные эксперты могут сделать отличную работу с этим, но большой вызов — неизвестное и что ударит бизнесы дальше. Это то, что нам нужно предотвратить и это суть того, что изменит производственную игру», — заключает Пхукан.