Machine learning e data science sono strumenti formidabili per effettuare una simulazione efficace di un fenomeno e individuare azioni per ottimizzare le linee produttive, ma da soli possono non bastare.
Il know how nella simulazione di processi complessi
Quando si devono governare processi particolarmente complessi, come quelli produttivi, in cui concorrono più fenomeni fisici e una moltitudine di variabili eterogenee, scovare tra queste un pattern riconducibile ad un comportamento anomalo, o viceversa ad un comportamento virtuoso, è di grande importanza. Arrivare ad un reale efficientamento richiede la capacità di sfruttare al meglio il know how delle persone, integrando la loro conoscenza in un modello matematico in grado, ad esempio, di individuare automaticamente le anomalie e i pattern (automatic anomaly detection e pattern recognition) e, in uno step successivo, fornire algoritmi predittivi..
Come riconoscere i pattern
I metodi di pattern recognition possono essere supervisionati e non supervisionati. In entrambi i casi l’obiettivo finale è riuscire a riconoscere all’interno di dati grezzi diverse tipologie di comportamento (e.g. andamento normale o di deriva di alcuni sensori), creando quindi una categorizzazione tramite un classificatore. Per raggiungere tale scopo ci si può basare sulla conoscenza a priori del problema oppure sulle sole informazioni statistiche estratte dai dati.
Quando si impiegano dei metodi con supervisione, si parte da un set conosciuto di input/output noti, ovvero un set di dati del cui comportamento è nota la categorizzazione. Su questi dati viene costruito un modello che ha come obiettivo il riconoscimento e la classificazione in risposta a dei nuovi dati in ingresso. Questo metodo utilizza, tipicamente, tecniche di classificazione e regressione e viene impiegato quando si ha a disposizione un’ampia numerosità di dati già con categorizzazione nota. Metodi di supervisione possono essere applicati per la manutenzione predittiva, andando a individuare dei pattern nei dati raccolti da sensori posti su dei macchinari di produzione, per comprendere quali possano essere i segnali di malfunzionamento che rendono necessario un intervento di manutenzione o pulitura, per prevenire guasti o errori di produzione.
Nel caso in cui invece sia necessario fare deduzioni da set di dati che includono input non classificati a priori, come nel caso in cui si voglia ottimizzare una linea produttiva, o in cui sono disponibili solo poche occorrenze di un dato pattern, come nell’identificazione di guasti legati a un particolare componente del processo, è necessario utilizzare metodi di riconoscimento senza supervisione. In questo caso, si devono individuare pattern e strutture intrinseche nei dati, tramite algoritmi finalizzati ad analizzare il processo nel suo complesso. Per costruire una rappresentazione efficace e delle euristiche di successo, è di fondamentale importanza tradurre il know how specifico di chi conosce il processo.
Parola chiave: contestualizzazione
Nonostante oggi si parli molto di machine learning e data science, non esistono sul mercato soluzioni pronte all’uso e software confezionati per un utilizzo aziendale immediato, perché la chiave di successo sta nella contestualizzazione. Il problema infatti non è il gestire big data di natura eterogenea, ma saperli calare correttamente nel contesto che li ha generati per comprendere i processi che si accompagnano al patrimonio di informazioni di un’azienda.
L’approccio più efficace è quindi quello che combina in modo virtuoso dati e modelli: l’avere a disposizione da un lato dati in tempi rapidi e in modo organizzato e dall’altro la conoscenza del processo che li ha generati. Ciò significa realizzare un modello personalizzato in base alle specifiche caratteristiche di ogni azienda e valorizzarne il patrimonio conoscitivo formalizzando il know how spesso intangibile delle persone. Proprio in un approccio costruito sul paradigma dati-modello-soluzione sta il valore aggiunto che rende più efficace la simulazione, da cui ricavare le informazioni necessarie per ottimizzare le linee produttive e, ad esempio nel manufacturing, ridurre costi e scarti.
Ottimizzare le linee produttive con la matematica
Ogni azienda può scovare nei dati che essa raccoglie nuove opportunità di business e informazioni preziose per efficientare i propri processi. Per interpretarli ed estrarne valore però diventa necessario adottare un approccio predittivo basato su un modello matematico che vada ad arricchire quello statistico, quindi traducendo processi, attività e competenze in equazioni.
Affinché questo approccio integrato sia il più accurato possibile, è essenziale coinvolgere chi in azienda detiene il know how del processo che si vuole descrivere. Ciò richiede una stretta interazione tra gli esperti d’impianto e gli sviluppatori. Questo permette inoltre a coloro che saranno gli utilizzatori finali di prendere familiarità con i nuovi software che avranno a disposizione sul lavoro e che li supporteranno, ad esempio, nel monitoraggio dei processi produttivi oppure nel processo di decision making.
Implementazione di sistemi di diagnostica predittiva
È proprio ciò che sta avvenendo nella realizzazione della predictive analysis per un’azienda specializzata nella produzione di cavi per applicazioni nel settore dell’energia e delle telecomunicazioni e di fibre ottiche.
L’obiettivo di questa attività è quello di sfruttare i dati raccolti dai numerosi impianti sparsi in tutto il mondo, per valorizzarli e trarre indicazioni per risolvere uno dei classici problemi del settore manufacturing: il ritardo con cui si riescono a identificare le failure di produzione
Attraverso l’implementazione di sistemi di diagnostica predittiva finalizzati all’innovazione di prodotto, coinvolgendo gli esperti di processo fin dalle prime azioni, è possibile fornire un concreto e reale supporto agli operatori nell’identificazione delle anomalie e nell’individuazione rapida delle azioni di remediation per ottimizzare le linee produttive, minimizzando il tempo che intercorre tra un errore di produzione e la sua identificazione.
Tutto questo è reso possibile dalla formalizzazione della challenge di business tramite la matematica, un linguaggio comune che aiuta a fare chiarezza sugli obiettivi, minimizza i rischi e fornisce all’azienda stessa una visione globale del sistema, attraverso parametri che in modo sintetico descrivono la situazione complessiva di tutte le fasi di un processo di produzione anche complesso.
Contattaci per ricevere ulteriori informazioni
