Данные и идеи

Инсайты — это новое золото, а не данные, поскольку данные мало что значат, если только эти данные не превращаются в важные практические идеи. Эти идеи могут быть использованы для поддержки принятия решений и могут помочь в совершенствовании процессов проектирования и производства. Алгоритмы машинного обучения можно использовать для выполнения различных прикладных задач интеллектуального анализа данных. Этими задачами могут быть описательная аналитика, прогнозная аналитика, диагностическая аналитика и предписывающая аналитика. Описательная аналитика данных дает представление о прошлом и настоящем, а прогнозная аналитика прогнозирует будущее. Диагностическая аналитика обеспечивает анализ основных причин, а предписывающая аналитика дает рекомендации относительно возможных результатов и их ожидаемых последствий.

Аналитика данных

Описательная аналитика данных обеспечивает лучшее понимание данных и их природы, а также выявляет закономерности или взаимосвязи в данных. Эти описательные модели отвечают на следующие вопросы:

  • Что случилось?
  • Что происходит сейчас?
  • Какова тенденция определенной переменной?
  • Какая связь между переменными?
  • Как элемент работает по сравнению с другим элементом или эталонным элементом?

Прогнозные модели делают прогнозы о будущих значениях данных и предсказывают новые свойства, а не просто исследуют свойства данных, как в случае описательной аналитики. Эти модели отвечают на следующие вопросы:

  • Что случилось бы?
  • Когда это произойдет?
  • Где это произойдет?

Диагностическая аналитика обеспечивает анализ первопричин, чтобы ответить на такие вопросы, как:

  • Почему это произошло?
  • Почему это произошло?

И последнее, но не менее важное: предписывающие модели ориентированы на поддержку принятия решений. Эта система поддержки принятия решений или рекомендаций отвечает на следующие вопросы.

  • Как прогнозы, полученные с помощью прогностических моделей, повлияют на все остальное?
  • Какие упреждающие решения/действия должны быть предприняты?
  • Какую пользу мы можем извлечь из прогнозов/рекомендаций?
  • Какие действия лучше предпринять?
  • В какое время лучше всего предпринять это действие?
  • Каковы будут последствия этого действия?

Профилактическое обслуживание как пример

Профилактическое техническое обслуживание — это подход к профилактическому обслуживанию, основанный на регулярном мониторинге и анализе фактического состояния машины, эффективности работы и других показателей рабочего состояния с целью выявления зарождающихся проблем, минимизации количества и стоимости незапланированных простоев и предотвращения катастрофических отказов критического оборудования. . По данным McKinsey, профилактическое обслуживание поможет компаниям сэкономить 630 миллиардов долларов к 2025 году. К счастью, электромеханическое оборудование не ломается без предупреждения. За несколько месяцев до возникновения неисправности можно обнаружить минимальную вибрацию. За несколько недель до неисправности начинает развиваться явный шум. За несколько дней до того, как машина прогреется, и за несколько минут до поломки она начинает дымить.

В этом контексте описательная аналитика может дать представление о текущем состоянии машины. В то время как прогностическая модель может выполнять оценку работоспособности и предвидеть любые зарождающиеся проблемы, возможные сбои или аномалии. Диагностическая аналитика обеспечивает анализ первопричин, и, наконец, модель предписывающей аналитики может обрабатывать информацию о текущем состоянии машины, сгенерированную модулем описательной аналитики, и оценку работоспособности из модулей прогнозной аналитики, а также любые другие априорные знания, которые могут быть доступны. Затем он выдает своевременные рекомендации/решения об упреждающих действиях или плане обслуживания для снижения любого возможного риска. Используя эти рекомендуемые решения и информацию об ожидаемом воздействии, сгенерированную предписывающей аналитической моделью, пользователь может заблаговременно планировать техническое обслуживание с учетом наиболее приоритетных потребностей в обслуживании или может создавать рабочие задания и сообщения назначенным техническим специалистам о необходимости технического обслуживания, чтобы сохранить производительность и сократить простои. временные и эксплуатационные расходы.

Обобщение данных, визуализация, кластеризация, сопоставление данных и обнаружение последовательностей являются общими задачами описательной аналитики. В то время как предиктивная аналитика использует классификацию, регрессию и анализ временных рядов для предоставления такой информации, как предсказание аномалий, оценка риска отказа, оценка времени до отказа или оставшегося полезного срока службы и/или тенденций деградации. Диагностическая аналитика использовала такие методы, как анализ событий и причинно-следственных связей, анализ изменений, анализ барьеров, анализ дерева отказов и обработку естественного языка, чтобы объяснить причины возможной поломки. Предписывающая аналитика использует различные методы искусственного интеллекта, такие как машинное обучение, алгоритмический вывод, оптимизация и обработка естественного языка, чтобы предоставить рекомендации по снижению любого возможного риска в машине.

В текущей слабой/узкой волне искусственного интеллекта классификация и регрессия являются наиболее зрелыми и используемыми методами машинного обучения. Сильная/общая волна искусственного интеллекта приведет к развитию более сложных методов машинного обучения для обработки данных, в большей степени опирающихся на сбор и подготовку когнитивных данных, кластеризацию, ассоциацию данных и анализ временных рядов, включая обнаружение последовательностей, анализ тенденций/цикличности/сезонности, анализ сходства и обнаружение аномалий в архивных данных. , пропаривание и живые данные.