Mitte Oktober veranstalteten wir im Rahmen des U-NOVUS-Jugendforums in Tomsk einen Workshop zu Data Science.
Tomsk genießt im Prinzip zu Recht den Ruhm einer Stadt der Wissenschaftler und Studenten, schließlich 15 Forschungsinstitute, 9 Universitäten und mehrere Gründerzentren - das ist ernst. Aus diesem Grund haben wir uns entschlossen, sowohl Studenten als auch Experten aus verschiedenen Unternehmen zur Teilnahme einzuladen.
Wir gaben einen Fall aus dem Leben (lesen - aus der Produktion), es war eine Aufgabe für fortgeschrittene Analytik in einem petrochemischen Unternehmen.
Wie es war - unter dem Schnitt.
Der Workshop dauerte 3 Tage. So viel Zeit hatten die Teams, um unsere Probleme zu lösen und zu zeigen, dass die von ihnen erstellte Lösung der Branche tatsächlich hilft oder einfach eine Reihe nützlicher Mechaniken enthält, die angewendet werden können in der Produktion der digitalen Chemie in der Zukunft.
Herausforderung
Es musste ein Arbeitsszenario erstellt werden, in dessen Rahmen die Entwicklung und Implementierung eines Systems zur proaktiven Überwachung der technologischen Ausrüstung, die wir in der Produktion verwenden, durchgeführt werden sollte.
Gleichzeitig war es wichtig zu berücksichtigen, dass es logisch ist, solche Geräte (je nach Kritikalität) in mehrere Typen zu unterteilen. Daher sollten die Ansätze für deren Verwaltung und Überwachung nicht dieselben sein und ein einziges Skript würde hier nicht funktionieren. Es musste auch berücksichtigt werden, dass das Unternehmen die einfachsten Visualisierungssysteme für bereits gesammelte Daten verwendet, die auch verwendet werden können. Außerdem haben wir der Ladung eine Reihe von Faktoren gegeben - den Einfluss des Zustands der Ausrüstung auf die Produktmarge; Häufigkeit geplanter Reparaturen; Szenarien für die Installation zusätzlicher Stände in Fällen, in denen bereits ein grundlegendes Überwachungssystem vorhanden ist, und so weiter.
Und wir haben sofort eine Reihe von Rahmenbedingungen und Einschränkungen vorgeschrieben, die berücksichtigt werden müssen. Andernfalls wird sich herausstellen, dass Sie eine Entscheidung getroffen haben, diese jedoch nicht anwenden können, da Sie einige dieser Faktoren vergessen haben. Dies hilft, da eine solche Lösung in der Live-Produktion funktionieren sollte und dabei viele verschiedene Dinge passieren können.
Unter diesen Faktoren waren:
- Schlechte Qualität der gesammelten Daten.
- Die Präsenz im Team zur Schaffung eines solchen Überwachungssystems von Spezialisten mit unterschiedlichem Fachwissen - Programmierern, Produktionstechnologen, mit der Ausrüstung vertrauten Personen sowie Experten auf dem Gebiet der mathematischen Modellierung.
- Die mangelnde Bereitschaft der Mitarbeiter, das neue System zu nutzen (na ja, wie sonst).
- Ein völliger Mangel an Daten zur Lösung von Problemen (einige Parameter werden nicht berücksichtigt, es gibt keinen Sensor, der Informationen aufnehmen würde usw.).
- Wenn Daten vorhanden sind, kann dies schwierig sein. Beispielsweise werden nicht alle digitalisiert (Sie müssen jedoch mit ihnen arbeiten), sie werden in verschiedenen Formaten gespeichert, einige können nicht mit wenigen Klicks erreicht werden, und Sie müssen einige Kreise durchlaufen Zulassungen.
Obligatorische Komponenten des Systems: Ein Modul, das Anomalien in der Ausrüstung findet (etwas erwärmt sich, soll es nicht, etwas hängt heraus, aber es sollte sich halten, und ein ähnliches Verhalten) und ein Prognosemodul, das eine ähnliche Situation basierend auf bereits gesammelten Daten vorhersagen kann .
Am Ausgang wollte ich eine detaillierte Beschreibung der Lösung erhalten, die es unter Berücksichtigung all dieser Bedingungen ermöglicht, ein System zur proaktiven Überwachung von Geräten einzuführen. Es könnte Algorithmen für maschinelles Lernen, vorgefertigte Lösungen und Frameworks enthalten.
Und im Idealfall (und aus diesem Grund waren Mitarbeiter aus dem Unternehmen Teil der Teams) - um die Geschäftsprozesse zu notieren, die von der Einführung eines solchen Systems betroffen sind; Möglicherweise müssen Sie sogar neue Geschäftsprozesse einführen, um sicherzustellen, dass die Lösung funktioniert.
Zusammenfassung
Wir müssen den Teams Tribut zollen - sie haben sich als ausgezeichnet erwiesen. Die Teams waren ziemlich gemischt, im Rahmen von einem konnten sowohl Studenten als auch Programmierer mit Datenanalysten und Richtungsleitern und Direktoren lokaler Unternehmen sofort arbeiten. Und eine solche Komposition hatte großen Einfluss auf die resultierenden Lösungen. Wir überprüften und stellten sofort fest, dass jemand einen großen Schwerpunkt auf den architektonischen Teil legte, jemand die Interaktion mit den Benutzern in den Vordergrund stellte und jemand entschied, dass die Hauptsache war Planung und Einhaltung des KPI. Im Allgemeinen schauen Sie sich die Lösung an - und stellen sich sofort vor, wer sie genau erfunden hat.
Die Bewertungskriterien waren für uns recht einfach. Die Hauptsache ist die praktische Anwendbarkeit der Lösung in unseren Unternehmen. Fast jeder schaffte es, von den 6 vorgestellten Lösungen passten nur 2 überhaupt nicht zu uns (obwohl dies bei einer Stichprobe von 6 ein Drittel ist). Aber die Sache war, dass die Jungs die Lösung entweder nicht selbst vervollständigten, ohne auf Details einzugehen, oder dass die Lösung nicht für die petrochemische Industrie geeignet war. Leider passiert dies auch - und es scheint, dass die Lösung selbst nicht schlecht ist, Probleme löst, vielleicht sogar skaliert, aber speziell verwenden wir sie überhaupt nicht, der Stapel ist nicht der gleiche. Im Allgemeinen.
Die restlichen 4 Lösungen haben sich perfekt gezeigt. Wir haben beschlossen, dass die Jungs genau verstehen, was sie getan haben und was sie tun werden, damit sie jetzt an unseren Projekten teilnehmen können.
Nikolay Ksenzik, Leiter des Zentrums für digitale Technologien in Tomsk, SIBUR IT.