U-NOVUS 2018: कार्यशाला

मध्य अक्टूबर में, टॉम्स्क में यू-नोवस युवा मंच के हिस्से के रूप में, हमने डेटा साइंस पर एक कार्यशाला आयोजित की।

टॉम्स्क, सिद्धांत रूप में, योग्य रूप से वैज्ञानिकों और छात्रों के एक शहर की प्रसिद्धि का आनंद लेता है, आखिरकार, 15 शोध संस्थान, 9 विश्वविद्यालय और कई व्यावसायिक इनक्यूबेटर - यह गंभीर है। इसलिए, हमने विभिन्न कंपनियों के छात्रों और विशेषज्ञों दोनों को आमंत्रित करने का निर्णय लिया।



हमने जीवन से एक मामला दिया (पढ़ें - उत्पादन से), यह एक पेट्रोकेमिकल उद्यम में उन्नत विश्लेषण के लिए एक कार्य था।

यह कैसा था - कट के नीचे।

कार्यशाला 3 दिनों तक चली, यह ठीक उसी समय था जब टीमों को हमारी समस्याओं को हल करने के लिए और यह दिखाने के लिए कि उनके द्वारा बनाया गया समाधान कुछ ऐसा था जो वास्तव में उद्योग की मदद करेगा, या बस कई उपयोगी यांत्रिकी ले सकता है जिसे लागू किया जा सकता है भविष्य में डिजिटल रसायन विज्ञान के उत्पादन में।

कार्य

एक कामकाजी परिदृश्य बनाना आवश्यक था, जिसके ढांचे के भीतर तकनीकी उपकरणों की सक्रिय निगरानी की एक प्रणाली का विकास और कार्यान्वयन जो हम उत्पादन में उपयोग करते हैं।

उसी समय, यह ध्यान रखना महत्वपूर्ण था कि इस तरह के उपकरणों को कई प्रकारों (महत्वपूर्णता के अनुसार) में विभाजित करना तर्कसंगत है, इसलिए उनके प्रबंधन और निगरानी के दृष्टिकोण समान नहीं होने चाहिए, और एक भी स्क्रिप्ट यहां काम नहीं करेगी। यह भी ध्यान में रखना आवश्यक था कि कंपनी पहले से ही एकत्रित डेटा के लिए सरलतम विज़ुअलाइज़ेशन सिस्टम का उपयोग करती है, जिसका उपयोग भी किया जा सकता है। साथ ही, हमने लोड को कई कारक दिए - उत्पाद मार्जिन पर उपकरणों की स्थिति का प्रभाव; अनुसूचित मरम्मत की आवृत्ति; उन मामलों में अतिरिक्त स्टैंड स्थापित करने के लिए परिदृश्य जहां एक बुनियादी निगरानी प्रणाली पहले से ही है, और इसी तरह।

और हमने तुरंत कई रूपरेखाएँ और सीमाएँ निर्धारित की हैं जिन्हें ध्यान में रखा जाना चाहिए, अन्यथा यह पता चलता है कि आपने निर्णय लिया है, लेकिन आप इसे लागू नहीं कर पाएंगे क्योंकि आप इनमें से कुछ कारकों के बारे में भूल गए हैं। यह मदद करता है, क्योंकि इस तरह के समाधान को लाइव उत्पादन में काम करना चाहिए, और प्रक्रिया में कई अलग-अलग चीजें हो सकती हैं।

इन कारकों में से थे:

• एकत्र किए गए डेटा की खराब गुणवत्ता।
• विभिन्न विशेषज्ञता के साथ विशेषज्ञों की ऐसी निगरानी प्रणाली बनाने के लिए टीम में उपस्थिति - प्रोग्रामर, प्रोडक्शन टेक्नोलॉजिस्ट, उपकरण से परिचित लोगों के साथ-साथ गणितीय मॉडलिंग के क्षेत्र में विशेषज्ञ।
• नई प्रणाली (ठीक है, और कैसे) का उपयोग करने के लिए कर्मचारियों की अनिच्छा।
• समस्याओं को हल करने के लिए डेटा की पूरी कमी (कुछ पैरामीटर पर विचार नहीं किया गया है, कोई सेंसर नहीं है जो जानकारी लेगा, आदि)।
• यदि कोई डेटा है, तो इसके साथ कठिनाइयां हो सकती हैं - उदाहरण के लिए, उनमें से सभी को डिजिटल नहीं किया जाता है (लेकिन आपको उनके साथ काम करने की आवश्यकता है), वे अलग-अलग स्वरूपों में संग्रहीत हैं, कुछ को कुछ क्लिक में नहीं पहुँचा जा सकता है, और आपको कुछ मंडलियों के माध्यम से जाने की आवश्यकता है मंजूरी।

सिस्टम के अप्रचलित घटक: एक मॉड्यूल जो उपकरणों में विसंगतियों का पता लगाता है (कुछ गर्म कर रहा है, माना नहीं जाता है, कुछ बाहर लटका हुआ है, लेकिन इसे पकड़ना चाहिए, और इसी तरह का व्यवहार), और एक पूर्वानुमान मॉड्यूल जो पहले से एकत्र आंकड़ों के आधार पर एक समान स्थिति की भविष्यवाणी कर सकता है। ।



आउटपुट पर, मैं समाधान का एक विस्तृत विवरण प्राप्त करना चाहता था, जो इन सभी स्थितियों को ध्यान में रखते हुए, सक्रिय उपकरणों की निगरानी की एक प्रणाली शुरू करने की अनुमति देगा। इसमें मशीन लर्निंग एल्गोरिदम, कोई भी तैयार समाधान और चौखटे शामिल हो सकते हैं।

और यह बिल्कुल आदर्श है (और यही कारण है कि टीमों के हिस्से के रूप में व्यवसाय से लोग थे) - उन व्यापार प्रक्रियाओं को नोट करने के लिए जो इस तरह की प्रणाली की शुरूआत से प्रभावित होंगे; आपको यह सुनिश्चित करने के लिए नई व्यावसायिक प्रक्रियाएँ भी प्रस्तुत करनी पड़ सकती हैं कि समाधान काम करता है।

परिणाम

हमें टीमों को श्रद्धांजलि देनी चाहिए - वे उत्कृष्ट साबित हुईं। टीमों को बल्कि मिश्रित किया गया था, एक के ढांचे के भीतर, डेटा विश्लेषकों के साथ दोनों छात्रों और प्रोग्रामर, और दिशाओं के प्रमुख और स्थानीय कंपनियों के निदेशक तुरंत काम कर सकते थे। और इस तरह की एक रचना ने परिणामी समाधानों को बहुत प्रभावित किया, हमने जाँच की और तुरंत ध्यान दिया कि किसी का वास्तुशिल्प भाग पर बहुत जोर था, किसी ने उपयोगकर्ताओं के साथ बातचीत में सबसे आगे रखा, किसी ने फैसला किया कि मुख्य चीज थी केपीआई के साथ योजना और अनुपालन। सामान्य तौर पर, आप समाधान को देखते हैं - और तुरंत कल्पना करते हैं कि वास्तव में इसका आविष्कार किसने किया।



हमारे लिए मूल्यांकन मानदंड काफी सरल थे। मुख्य बात हमारे उद्यमों में समाधान की व्यावहारिक प्रयोज्यता है। लगभग सभी ने प्रबंधित किया, प्रस्तुत 6 समाधानों में से केवल 2 ने हमें बिल्कुल भी सूट नहीं किया (हालांकि, 6 के नमूने के साथ, यह एक तीसरा है)। लेकिन बात यह थी कि लोगों ने या तो विवरण के बिना समाधान को पूरा नहीं किया, या समाधान पेट्रोकेमिकल उद्योग के लिए उपयुक्त नहीं था। काश, यह भी होता है - और ऐसा लगता है कि समाधान स्वयं बुरा नहीं है, यह समस्याओं को हल करता है, शायद यह भी तराजू है, लेकिन विशेष रूप से, हम इसे बिल्कुल भी उपयोग नहीं करते हैं, स्टैक समान नहीं है। आम तौर पर।

शेष 4 समाधानों ने खुद को पूरी तरह से दिखाया, हमने फैसला किया कि लोग समझते हैं कि उन्होंने क्या किया और वे क्या करेंगे, इसलिए वे अब हमारी परियोजनाओं में भाग लेंगे।

निकोले केंसेजिक, हेड ऑफ द डिजिटल टेक्नोलॉजीज़ इन टॉम्सक, सिबुर आईटी।