Mengatasi kemacetan:kekuatan analitik dalam manufaktur

Ruban Phukan, Co-founder dan Chief Product and Analytics Petugas di Progress DataRPM, membahas pertempuran kuno dengan kemacetan dan peran...

Ruban Phukan, Co-founder dan Chief Product and Analytics Officer di Progress DataRPM, membahas pertempuran lama dengan kemacetan dan peran analitik prediktif dalam manufaktur.

Isu seputar kemacetan di bidang manufaktur didokumentasikan dengan baik. Dari penundaan produksi, kelebihan stok, peningkatan tekanan dari pelanggan dan seterusnya, masalah yang disebabkan oleh keterbatasan kapasitas yang tiba-tiba dan tak terduga dapat menghancurkan bisnis apa pun di industri ini. Dengan pemikiran ini, Manufacturing Global berbicara kepada mantan ilmuwan data Yahoo dan pemimpin terkemuka di Progress DataRPM, Ruban Phukan, tentang penggunaan model pemeliharaan prediktif dan bagaimana model tersebut dapat membantu membangun lingkungan anti-gagal.

Mendapatkan inti masalah

Sebagai mantan anggota tim analisis data Yahoo, Phukan berpengalaman dalam komplikasi seputar penggunaan data besar. “Saya adalah bagian dari tim ilmu data pertama yang dibuat di Yahoo bertahun-tahun yang lalu,” katanya. “Pelajaran besar di sana adalah bahwa ilmu data sangat sulit untuk diukur, secara manual, untuk organisasi besar. Apa yang kami sadari adalah bahwa satu-satunya cara untuk benar-benar menyelesaikan masalah ilmu data, dengan cara yang dapat menambah nilai bagi bisnis, adalah dengan mengotomatiskan proses di balik analisis data tersebut.”

Beranjak dari Yahoo, Phukan memulai bisnis mesin pencari vertikalnya sendiri, menggunakan pembelajaran mesin untuk memahami perilaku pengguna, khususnya berurusan dengan analitik prediktif. Setelah menjualnya, dia memulai bisnis dengan salah satu pendirinya saat ini, di mana dia mengambil kisah ProgressDataRPM dan bagaimana kemajuannya, di antara banyak hal lainnya, mengatasi kemacetan.

“Ketika kami pertama kali berkumpul, kami menyadari ada sejumlah besar data digital yang dihasilkan, tetapi masalahnya tetap sama:tidak dapat diselesaikan secara manual. Ilmuwan data tidak cukup. Bahkan dengan banyaknya data di luar sana, jenis nilai bisnis yang didapat darinya tidak membenarkan ROI,” katanya.

“Jadi, kami mulai mengatakan 'dapatkah kami membuat platform yang membuat proses ilmu data lancar dan otomatis?' Kami ingin bisnis dapat memanfaatkan praktik terbaik, menerapkannya pada masalah mereka, dan menyelesaikannya dalam skala besar.”

Kemajuan dalam pembelajaran mesin

Dengan kemajuan dalam kemampuan teknologi pembelajaran mesin, Phukan dan rekan pendirinya dapat mengatasi volume data dan informasi yang tersedia untuk klien mereka dengan cara yang tidak mungkin dilakukan sebelumnya. Yang terpenting, untuk bisnis manufaktur, ini berarti mereka juga dapat memulai dampak positif pada hal-hal seperti lini produksi.

“Misalnya, dengan hal-hal seperti sensor yang diaktifkan, ini membantu kami memahami pada tingkat yang sangat rinci, fungsi normal mesin di bawah kondisi operasi dan lingkungan yang berbeda. Kami kemudian dapat menilai bagaimana hal ini memengaruhi kesehatan alat berat dan akibatnya terhadap lini produksi, dalam hal efisiensi,” katanya kepada kami.

Dengan menerapkan peternakan tanaman otomatis yang tidak memerlukan seseorang untuk menjadi ahli ilmu data, ProgressDataRPM pada dasarnya membantu industri berbasis aset besar untuk memecahkan dua masalah:bagaimana meminimalkan waktu henti yang tidak direncanakan dan bagaimana memaksimalkan kualitas dan efisiensi output dari mereka. aktiva. Ini semua dilakukan melalui perangkat lunak prediksi anomali kognitifnya. Saat terhubung ke data berbasis sensor, secara otomatis membuat garis dasar kondisi operasi normal mesin. Kemudian mencari hal-hal yang menyimpang dari kondisi ini dan membuat peringatan sebelum memprediksi potensi masalah yang mungkin terjadi.

Kemampuan untuk memprediksi hal yang tidak diketahui inilah yang menurut Phukan mewakili perubahan besar dari proses tradisional sebelumnya. “Kita harus dapat memeriksa mengapa sesuatu terjadi di masa lalu, tetapi yang lebih penting, kita juga perlu memprediksi hal-hal yang belum terjadi,” jelasnya.

Mempengaruhi jalur perakitan

Salah satu bidang utama yang perlu diperiksa oleh bisnis manufaktur adalah proses yang memengaruhi apa yang terjadi pada lini produksi, khususnya waktu pengendalian kualitas. “Kami telah bekerja dengan sejumlah produsen di industri otomotif dan perawatan kesehatan, misalnya, dan salah satu tantangan terbesar yang mereka hadapi adalah bahwa pemeriksaan kualitas terjadi di akhir proses manufaktur. Jadi, setelah seluruh batch produk dibuat, pengujian akan dijalankan untuk menentukan apakah produk tersebut baik-baik saja. Hal ini dapat menyebabkan tingkat memo setinggi 75%, ”kata Phukan.

Karena sebagian besar aturan rangkaian pengujian hanya dapat ditulis berdasarkan pengalaman sebelumnya, ketika masalah baru muncul yang belum diperhitungkan, ini dapat menyebabkan masalah serius seperti penarikan produk. Oleh karena itu, menggunakan platform analitik prediktif, menurut Phukan, akan menjadi norma. Memang, ini adalah sesuatu yang semakin dia identifikasi di bidang manufaktur.

“Ketika produsen berbicara kepada kami, mereka bertanya apakah mereka dapat menggunakan pembelajaran mesin untuk menentukan, di sepanjang jalan, apakah suatu batch rusak. Mereka tahu bahwa kami dapat mendeteksi sesuatu lebih awal, sehingga mereka dapat menghentikan proses untuk meminimalkan biaya dan kerugian.”

Apakah dia memiliki contoh spesifik tentang ini dalam tindakan? “Kami bekerja dengan penyedia telekomunikasi besar di Prancis dan mereka memiliki tantangan nyata dengan set top box mereka, yang bukan sesuatu yang Anda anggap membutuhkan pemeliharaan prediktif yang berat. Masalah yang mereka miliki adalah bahwa setiap kali gagal, mereka harus pergi dan mengidentifikasi masalah dan menggantinya. Jelas, ini mahal dalam hal waktu dan uang. Ada juga risiko besar kehilangan pelanggan,” katanya.

“Kami secara proaktif mengidentifikasi bahwa sepertiga dari kotak mereka memiliki masalah yang berarti layanan pelanggan dapat menelepon dan memberi tahu orang-orang untuk memperbarui kotak mereka atau mengirim pengganti sebelum terjadi kegagalan.”

Masa depan analisis kemacetan

Produsen jelas menjadi lebih terbiasa dengan manfaat teknologi kognitif pertama mesin, yang memungkinkan mereka mengidentifikasi anomali dan berpotensi mendatangkan pakar materi pelajaran untuk membantu menentukan konsekuensi dari temuan mesin.

Memang, Phukan membahas bagaimana AR, IoT, jaminan, komputasi awan hybrid, dan blockchain semua akan semakin memainkan peran mereka juga, namun, mendeteksi hal yang tidak diketahui yang dia rasa akan menjadi kuncinya. “Kuncinya bukanlah apa yang sudah diketahui; pakar domain dapat melakukan pekerjaan dengan baik dalam menanganinya, tetapi tantangan besarnya adalah hal yang tidak diketahui dan apa yang akan menghantam bisnis selanjutnya. Itulah yang perlu kita cegah dan itulah inti dari apa yang akan mengubah permainan manufaktur,” Phukan menyimpulkan.