À la mi-octobre, dans le cadre du forum des jeunes U-NOVUS à Tomsk, nous avons organisé un atelier sur la science des données.
Tomsk, en principe, jouit à juste titre de la renommée d'une ville de scientifiques et d'étudiants, après tout, 15 instituts de recherche, 9 universités et plusieurs incubateurs d'entreprises - c'est grave. Par conséquent, nous avons décidé d'inviter des étudiants et des experts de diverses entreprises à participer.
Nous avons donné un cas de la vie (lecture - de la production), c'était une tâche d'analyse avancée dans une entreprise pétrochimique.
À propos de comment c'était - sous la coupe.
L'atelier a duré 3 jours, c'est combien de temps les équipes ont eu pour résoudre nos problèmes et montrer que la solution créée par elles est quelque chose qui va réellement aider l'industrie, ou tout simplement portera un certain nombre de mécanismes utiles qui peuvent être appliqués dans la production de la chimie numérique à l'avenir.
Défi
Il a fallu créer un scénario de travail, dans le cadre duquel se développerait et mettrait en œuvre un système de suivi proactif des équipements technologiques que nous utilisons en production.
En même temps, il était important de tenir compte du fait qu'il est logique de diviser ces équipements en plusieurs types (selon la criticité), par conséquent les approches de leur gestion et de leur surveillance ne devraient pas être les mêmes, et un seul script ne fonctionnerait pas ici. Il fallait également tenir compte du fait que l'entreprise utilise les systèmes de visualisation les plus simples pour les données déjà collectées, qui peuvent également être utilisées. De plus, nous avons donné un certain nombre de facteurs à la charge - l'influence de l'état de l'équipement sur la marge du produit; fréquence des réparations prévues; Scénarios d'installation de stands supplémentaires dans les cas où un système de surveillance de base est déjà en place, etc.
Et nous avons immédiatement prescrit un certain nombre de cadres et de limitations qui doivent être pris en compte, sinon il se trouve que vous avez pris une décision, mais vous ne pourrez pas l'appliquer parce que vous avez oublié certains de ces facteurs. Cela aide, car une telle solution devrait fonctionner en production en direct, et de nombreuses choses différentes peuvent se produire au cours du processus.
Parmi ces facteurs figuraient:
- Mauvaise qualité des données collectées.
- La présence dans l'équipe pour la création d'un tel système de surveillance de spécialistes aux compétences diverses - programmeurs, technologues de production, personnes familiarisées avec l'équipement, ainsi que des experts dans le domaine de la modélisation mathématique.
- La réticence du personnel à utiliser le nouveau système (enfin, comment faire autrement).
- Un manque total de données pour résoudre les problèmes (certains paramètres ne sont pas pris en compte, il n'y a pas de capteur qui prendrait des informations, etc.).
- S'il y a des données, il peut y avoir des difficultés avec elles - par exemple, elles ne sont pas toutes numérisées (mais vous devez travailler avec elles), elles sont stockées dans différents formats, certaines ne sont pas accessibles en quelques clics, et vous devez parcourir quelques cercles approbations.
Composants obligatoires du système: un module qui détecte des anomalies dans l'équipement (quelque chose est en train de se réchauffer, pas censé, quelque chose se bloque, mais il devrait tenir, et un comportement similaire), et un module de prévision qui peut prédire une situation similaire sur la base de données déjà collectées .
En sortie, je souhaitais obtenir une description détaillée de la solution, qui permettra, compte tenu de toutes ces conditions, d'introduire un système de surveillance proactive des équipements. Cela pourrait inclure des algorithmes d'apprentissage automatique, des solutions et des cadres prêts à l'emploi.
Et tout à fait idéalement (et c'est pourquoi il y avait des gens de l'entreprise au sein des équipes) - pour noter les processus d'affaires qui seront affectés par l'introduction d'un tel système; vous devrez peut-être même introduire de nouveaux processus métier pour vous assurer que la solution fonctionne.
Résumé
Il faut rendre hommage aux équipes - elles se sont avérées excellentes. Les équipes étaient plutôt mixtes, dans le cadre d'une seule, à la fois étudiants et programmeurs avec des analystes de données, des chefs de directions, et des directeurs d'entreprises locales pouvaient travailler immédiatement. Et une telle composition a grandement influencé les solutions qui en résultent, nous avons vérifié et immédiatement noté que quelqu'un accordait une grande importance à la partie architecturale, quelqu'un mettait l'interaction avec les utilisateurs au premier plan, quelqu'un décidait que l'essentiel était planification et respect des KPI. En général, vous regardez la solution - et imaginez immédiatement qui l'a inventée exactement.
Les critères d'évaluation pour nous étaient assez simples. L'essentiel est l'applicabilité pratique de la solution dans nos entreprises. Presque tout le monde a réussi, sur les 6 solutions présentées, seulement 2 ne nous convenaient pas du tout (même si, avec un échantillon de 6, c'est la troisième). Mais le fait est que les gars n'ont pas terminé la solution elle-même sans entrer dans les détails, ou la solution n'était pas adaptée à l'industrie pétrochimique. Hélas, cela se produit également - et il semble que la solution elle-même n'est pas mauvaise, qu'elle résout des problèmes, peut-être même qu'elle évolue, mais spécifiquement, nous ne l'utilisons pas du tout, la pile n'est pas la même. Généralement.
Les 4 solutions restantes se sont parfaitement montrées, nous avons décidé que les gars comprennent exactement ce qu'ils ont fait et ce qu'ils vont faire, alors ils vont maintenant participer à nos projets.
Nikolay Ksenzik, directeur du Centre des technologies numériques de Tomsk, SIBUR IT.