W poprzednich artykułach dotyczących utrzymania predykcyjnego wytłumaczyliśmy, czym ten proces jest i czym różni się od pozostałych metod utrzymania. Opisaliśmy także fazy poprzedzające wdrożenia rozwiązania produkcyjnego. Dziś pokażemy, jak wyglądają ostatnie dwa etapy: wdrożenie i utrzymanie produkcyjne.
- Zbieranie, filtrowanie i sortowanie danych – uczenie maszynowe wymaga wielkiej ilości danych dobrej jakości do uczenia i trenowania.
- Wybór odpowiedniego modelu uczącego, dostosowanego do wymagań predykcji.
- Trening, ewaluacja i dostrajanie hiperparametrów – te kroki należy powtarzać aż do osiągnięcia satysfakcjonującej biznesowo skuteczności predykcji.
Zobaczmy więc, co dzieje się w fazie trzeciej!
Jak wygląda budowa, instalacja i wdrożenie rozwiązania w środowisku produkcyjnym?
Po wdrożeniu rozwiązania na produkcji musimy kontynuować zbieranie danych. Dodatkowo należy zbierać informacje o zmianach sprzętu czy konfiguracji, które mogą wpływać na precyzję modelu. Ostatnim etapem tego procesu jest utrzymanie produkcyjne modeli.
Utrzymanie produkcyjne modeli
Wraz z pojawianiem się nowych danych, nasz model w środowisku testowym jest cyklicznie przeszkalany i testowany. Kiedy jego precyzja się poprawia, zamieniamy go na produkcji – tym samym poprawiamy skuteczność utrzymania predykcyjnego. Po pewnym czasie stare dane stają się mniej aktualne i konieczne jest szkolenie modelu na nowszych danych.
Niekiedy niewielkie zmiany w systemie mogą wpłynąć na dokładność modelu. Z tego powodu konieczna jest aktualizacja modelu po zmianach na produkcji. Po dokonanej zmianie, należy zebrać dane, zaktualizować model i porównać go z produkcyjnym.
Korzyści
Jak widać, proces ten wymaga wiele wysiłku i czasu – jednak z czasem ta inwestycja zwróci się z nawiązką! Z badań przeprowadzonych przez PwC, korzyści z implementacji utrzymania predykcyjnego przedstawiają się następująco:
12
zmniejszenie kosztu utrzymania
9
zmniejszenie czasu wyłączenia maszyn na czas serwisowania
zmniejszenie ryzyka: uszkodzenia sprzętu, zdrowia oraz środowiska
20
zmniejszenie zużycia i zwiększenie czasu życia maszyn
W zależności od wielkości produkcji, te liczby oznaczają miliony oszczędności każdego roku!
Utrzymanie predykcyjne jest jednym z wielu praktycznych zastosowań sztucznej inteligencji w przemyśle. Wkrótce pojawią się tu kolejne artykuły na temat kolejnych! Jeśli nie chcesz przegapić newsów na temat praktycznych zastosowań uczenia maszynowego dla przemysłu, zapisz się na nasz newsletter. Co kwartał dostaniesz od nas porcję newsów na temat nowoczesnych technologii!