Передовое программное обеспечение стало использоваться в капиталоемких отраслях промышленности сорок лет назад. С тех пор производители не перестают совершенствовать свой подход к бизнесу и увеличивать доход. Сейчас в игру вступает новое поколение технологий с искусственным интеллектом, основанным на машинном обучении. Такие технологии позволяют вывести производственную эффективность на новый уровень. Чтобы быть на шаг впереди конкурентов, нужно не просто понимать, какие сложности заключает в себе машинное обучение, но и уметь их использовать для своей выгоды.
Новейшие решения с поддержкой машинного обучения могут предсказывать износ и выход активов из строя с упреждением в несколько недель, отличать стандартное поведение оборудования от нестандартного. Кроме того, они позволяют обнаруживать сложные комбинации данных и признаки снижения эффективности и скорого отказа. После этого программные решения могут оповестить операторов и даже предложить меры по предотвращению отказа или снижению ущерба.
Лучшее программное обеспечение работает независимо и поддерживает самообучение. Такое ПО поддерживает так называемое «машинное обучение без учителя» (unsupervised machine learning). Это особый метод изучения моделей поведения с помощью приемов группирования.
Эти приемы позволяют определить «стандартное» поведение на основе сигналов от датчиков на устройстве и вокруг него. После определения стандартных моделей поведения начинается анализ новых данных. Такой анализ позволяет находить аномалии, механические отказы и изменения процессов на конкретных устройствах.
Недостатки этого метода обнаружения аномалий — большое количество ошибок и необходимость участия человека. Этот метод хорош для поиска корреляций, но с определением причин справляется гораздо хуже. Машинное обучение без учителя может обнаруживать ничего не значащие взаимосвязи, например, зависимость количества смертей на дорогах от объема импорта лимонов.
Любая из обнаруженных аномалий может в действительности быть новым режимом работы или свидетельствовать о скорой поломке устройства. В этом случае определить, что из этого верно, должен человек. Человек помогает машинному обучению работать над ошибками и адаптироваться, что в конечном итоге приведет к результатам, на которые можно будет положиться.
Поиск взаимосвязей и установление причинно-следственных связей — не одно и то же. Поэтому для совершенствования машинному обучению требуется участие человека. Например, технологии распознавания голоса используют машинное обучение, но все равно требуют помощи. Необходимо пристальное внимание человека. Он вычленяет фразы, которые не удалось распознать, и добавляет расшифровку, что делает обучение более эффективным. Похожим образом для выявления мошенничества с банковской картой необходимо изучить стандартные траты ее владельца. Выпустивший карту банк может задать вопрос: действительно ли билет в Париж покупает владелец карты? Банк анализирует обычные покупки и в этом случае обнаруживает нестандартное поведение. Простой ответ «да» или «нет» позволяет понять, было ли событие стандартным или нестандартным. В дальнейшем система будет знать, к какой категории относить подобные отклонения в поведении.
Машинному обучению с учителем для эффективной работы также требуется помощь человека. В этом случае система сообщает о событии и называет дату и время, когда оно произошло. Затем технология определяет признаки моделей поведения, которые привели к событию. Например, в капиталоемких отраслях производства это может быть выход аппарата из строя из-за неисправности подшипника.
Технология запоминает точную модель поведения при износе или отказе и затем анализирует новые потоки данных и ищет в них эти модели. Если удается обнаружить повторение модели, система сообщает о возможном отказе заранее, что позволяет избежать поломки или отремонтировать устройство до того, как оно получит серьезные повреждения. В результате снижаются затраты на техническое обслуживание и увеличивается время бесперебойной работы.
Перспективное будущее
Предприятия в капиталоемких сферах должны уже сейчас использовать преимущества машинного обучения, чтобы максимально эффективно управлять бизнесом и пользоваться оборудованием. На современных конкурентных рынках можно использовать машинное обучение для прогнозирования эффективности активов, получения коммерческой выгоды и конкурентного превосходства. Машинное обучение без учителя способно обнаруживать нестандартное поведение в работе активов и всего предприятия, решая некоторые проблемы бизнеса. Но нужно понимать, что для достижения оптимального уровня точности необходимо участие опытных специалистов. Технологиям все еще требуется помощь в поиске и решении важных проблем.
Компании с большим количеством производственных активов должны учитывать это уже сейчас. Те, кому это удастся, смогут воспользоваться преимуществами новой эпохи машинного обучения. Изучая текущие модели поведения активов, получая достоверные данные и автоматически развивая возможности прогнозирования, компании смогут оптимизировать эффективность и производительность активов во всех сферах деятельности.
