Pada pertengahan Oktober, sebagai bagian dari forum pemuda U-NOVUS di Tomsk, kami mengadakan lokakarya tentang Ilmu Data.
Tomsk, pada prinsipnya, sepatutnya menikmati ketenaran kota ilmuwan dan mahasiswa, setelah semua, 15 lembaga penelitian, 9 universitas dan beberapa inkubator bisnis serius. Oleh karena itu, kami memutuskan untuk mengundang siswa dan pakar dari berbagai perusahaan untuk berpartisipasi.
Kami memberikan kasus dari kehidupan (baca - dari produksi), itu adalah tugas untuk analitik lanjutan di perusahaan petrokimia.
Tentang bagaimana itu - di bawah luka.
Lokakarya ini berlangsung selama 3 hari, berapa lama waktu yang dimiliki tim untuk menyelesaikan masalah kami dan menunjukkan bahwa solusi yang dibuat oleh mereka adalah sesuatu yang benar-benar akan membantu industri, atau hanya akan membawa sejumlah mekanik berguna yang dapat diterapkan dalam produksi kimia digital di masa depan.
Tantangan
Itu perlu untuk membuat skenario kerja, dalam kerangka di mana pengembangan dan implementasi sistem pemantauan proaktif peralatan teknologi yang kami gunakan dalam produksi akan dilakukan.
Pada saat yang sama, penting untuk mempertimbangkan bahwa logis untuk membagi peralatan tersebut menjadi beberapa jenis (menurut kritikalitas), oleh karena itu pendekatan manajemen dan pemantauannya tidak boleh sama, dan satu skrip tidak akan berfungsi di sini. Perlu juga dipertimbangkan bahwa perusahaan menggunakan sistem visualisasi yang paling sederhana untuk data yang sudah dikumpulkan, yang juga dapat digunakan. Plus, kami memberikan sejumlah faktor pada beban - pengaruh kondisi peralatan terhadap margin produk; frekuensi perbaikan terjadwal; Skenario untuk memasang tegakan tambahan dalam kasus di mana sistem pemantauan dasar sudah ada, dan sebagainya.
Dan kami segera menetapkan sejumlah kerangka kerja dan batasan yang harus diperhitungkan, jika tidak maka Anda yang membuat keputusan, tetapi Anda tidak akan bisa menerapkannya, karena Anda lupa tentang beberapa faktor ini. Ini membantu, karena solusi seperti itu harus bekerja dalam produksi langsung, dan banyak hal berbeda dapat terjadi dalam proses.
Di antara faktor-faktor ini adalah:
- Kualitas data yang dikumpulkan buruk.
- Kehadiran dalam tim untuk menciptakan sistem pemantauan spesialis dengan berbagai keahlian - programmer, teknologi produksi, orang yang akrab dengan peralatan, serta ahli di bidang pemodelan matematika.
- Keengganan staf untuk menggunakan sistem baru (well, bagaimana lagi).
- Kurangnya data untuk menyelesaikan masalah (beberapa parameter tidak dipertimbangkan, tidak ada sensor yang akan mengambil informasi, dll.).
- Jika ada data, mungkin ada kesulitan dengan itu - misalnya, tidak semua dari mereka didigitalkan (tetapi Anda perlu bekerja dengan mereka), mereka disimpan dalam format yang berbeda, beberapa tidak dapat dicapai dalam beberapa klik, dan Anda harus melalui beberapa lingkaran persetujuan.
Komponen wajib dari sistem: modul yang menemukan anomali dalam peralatan (ada sesuatu yang menghangat, tidak seharusnya, ada yang nongkrong, tetapi harus bertahan, dan perilaku serupa), dan modul peramalan yang dapat memprediksi situasi yang sama berdasarkan data yang sudah dikumpulkan .
Di bagian keluaran, saya ingin mendapatkan uraian terperinci tentang solusi, yang akan memungkinkan, dengan mempertimbangkan semua kondisi ini, untuk memperkenalkan sistem pemantauan peralatan proaktif. Ini bisa mencakup algoritma pembelajaran mesin, solusi dan kerangka kerja yang siap pakai.
Dan itu sangat ideal (dan inilah sebabnya ada orang-orang dari bisnis sebagai bagian dari tim) - untuk mencatat proses-proses bisnis yang akan dipengaruhi oleh pengenalan sistem semacam itu; Anda bahkan mungkin harus memperkenalkan proses bisnis baru untuk memastikan bahwa solusinya bekerja.
Ringkasan
Kami harus membayar upeti kepada tim - mereka terbukti sangat baik. Tim agak bercampur, dalam kerangka satu, baik siswa, dan programmer dengan analis data, dan kepala arah, dan direktur perusahaan lokal dapat bekerja segera. Dan komposisi seperti itu sangat mempengaruhi solusi yang dihasilkan, kami memeriksa dan segera mencatat bahwa seseorang memiliki penekanan besar pada bagian arsitektur, seseorang menempatkan interaksi dengan pengguna di garis depan, seseorang memutuskan bahwa hal utama adalah perencanaan dan kepatuhan dengan KPI. Secara umum, Anda melihat solusinya - dan segera bayangkan siapa yang menciptakannya.
Kriteria evaluasi untuk kami cukup sederhana. Hal utama adalah penerapan praktis dari solusi di perusahaan kami. Hampir semua orang berhasil, dari 6 solusi yang disajikan, hanya 2 yang tidak cocok untuk kami (walaupun, dengan sampel 6, ini sepertiga). Tetapi masalahnya adalah orang-orang itu gagal dalam penyelesaian itu sendiri tanpa merinci, atau solusi itu tidak cocok untuk industri petrokimia. Sayangnya, ini juga terjadi - dan tampaknya solusinya sendiri tidak buruk, ia memecahkan masalah, mungkin bahkan berskala, tetapi secara khusus, kami tidak menggunakannya sama sekali, tumpukan tidak sama. Umumnya.
4 solusi yang tersisa menunjukkan diri mereka dengan sempurna, kami memutuskan bahwa orang-orang itu mengerti persis apa yang mereka lakukan dan apa yang akan mereka lakukan, sehingga mereka sekarang akan berpartisipasi dalam proyek kami.
Nikolay Ksenzik, Kepala Pusat Teknologi Digital di Tomsk, SIBUR IT.