Fakta atau Fiksi:Kisah Mana yang Diceritakan Data Anda?
Pada 30.000 SM, nenek moyang kita melukis cerita di dinding gua tentang kehidupan sehari-hari mereka, dan pada 700 SM kita memiliki cerita pertama yang dicetak—Gilgamesh. Maju ke tahun 2021, dan kami telah membuat cerita bersama dengan AI selama lebih dari setengah dekade. Tetapi ketika urutan hari ini adalah intelijen bisnis yang akurat, perusahaan ingin yakin bahwa kecerdasan buatan dan sistem pembelajaran mesin mereka tidak mengambil kebebasan artistik dan memuntahkan kembali dongeng.
Hal ini terutama berlaku sekarang karena pengambilan keputusan yang dipimpin oleh AI dan ML berada pada tingkat adopsi tertinggi hingga saat ini dan bahkan para eksekutif yang paling enggan pun mulai melihat manfaat besar yang dapat diperoleh dari pendekatan strategi yang berpusat pada data. Karena kepercayaan dibangun dalam janji AI dan ML, akurasi sangat penting. Pertanyaan itu tetap menjadi pikiran utama bagi banyak orang:“Bagaimana kita bisa tahu jika data kita menceritakan keseluruhan cerita—dan yang didasarkan pada fakta? Apa yang perlu kita ketahui untuk mempercayai model kita?”
Data Bersih Berderit
Ketika sistem pembelajaran mesin menawarkan prediksi yang tidak akurat, kita dapat melihat ke satu penyebab—data. Kecuali peristiwa angsa hitam, data adalah awal, tengah, dan akhir dari sistem prediksi apa pun. Bisa jadi tidak ada cukup data untuk melatih sistem secara andal atau mendasarkan prediksinya, dalam hal ini lebih banyak titik data dapat menyelesaikan masalah. Biasanya, hal seperti ini akan terjadi pada tahap awal pembuatan ide pada model dan hampir pasti sebelum penerapan, setidaknya sejauh untuk mencegah prediksi yang sangat tidak akurat. Namun, penyebab yang lebih mungkin adalah bahwa data awal tidak cukup "bersih". Cukup bersih itu relatif. Persyaratan data untuk beberapa proyek mirip dengan "Apakah sepatu kets saya cukup bersih untuk pergi ke supermarket?" Lainnya, terutama dalam sistem kritis dan yang melibatkan kehidupan, keselamatan, dan kesejahteraan, lebih seperti skenario "bebas debu, kilau, kilau parade yang dapat Anda periksa" ketika menyangkut seberapa bersih data yang dibutuhkan. untuk melakukan tugas dengan andal (dan etis).
Jadi, apa yang membuat data menjadi kotor? Cerpen tersebut merupakan informasi yang tidak akurat atau miring.
Tag Rusak, Model Rusak
Ini bisa berupa data yang tidak diberi tag dengan benar, data yang memiliki info yang salah di bidang yang salah atau dalam format yang salah, mis. 27 Desember 2015 bukannya 27/12/15 atau 27/12/2015. Sementara opsi pertama mungkin hanya menimbulkan kesalahan atau diabaikan, menukar dua format tanggal terakhir dapat menyebabkan dampak serius terhadap akurasi. Dan bukan hanya tanggal yang dapat memengaruhi pemformatan yang tidak valid—waktu, SKU, teks di mana angka seharusnya, angka di mana teks seharusnya berada, dan semua aliran data khusus yang keluar dari peralatan lantai toko seperti penggantian, alarm, beban, kecepatan, feed, dll. Intinya adalah bahwa tanpa struktur yang andal dan konsisten, data dapat menjadi berantakan dan mengarah pada wawasan yang tidak akurat.
Dengan MachineMetrics, perusahaan dapat memanfaatkan mesin transformasi data otomatis kami yang menstandarisasi dan memformat berbagai jenis data untuk analisis yang mudah. Ini dapat menangani nilai sensor khusus, status mesin, mode, alarm, penggantian, pemuatan, kecepatan, umpan, parameter PMC, diagnostik, dan banyak lagi.
Dapatkah Anda Mempercayai Sumber Anda?
Penting juga untuk mempertimbangkan kebenaran dan keakuratan sumber data apa pun yang digunakan, terutama jika sumber tersebut adalah manusia. Manusia bukanlah makhluk yang paling akurat. Kami membulatkan dan melupakan dan memalsukan angka. Kita menjadi malas atau lelah atau lapar atau terganggu. Secara alami menggunakan sumber data manusia, data akan menjadi kotor dalam beberapa cara atau lainnya. Di sinilah pentingnya melihat toleransi. Misalnya, operator mesin mungkin menambahkan data tentang status peralatan yang mereka gunakan. Saat memberikan informasi tentang waktu henti, alasan yang tercantum mungkin akurat sementara waktunya lebih merupakan perkiraan. Hal ini menyebabkan sistem prediksi yang kurang akurat, karena respons yang dihasilkannya juga lebih mendekati perkiraan daripada jika diberikan data yang benar-benar akurat.
Ini adalah skenario lain di mana toleransi realistis harus dipertimbangkan. Interval detik atau setengah jam? Dalam hal sumber data mesin, Anda bahkan dapat melihat nanodetik atau lebih kecil untuk beberapa kasus penggunaan. Apa pun toleransi yang dianggap wajar untuk proyek, penting untuk menegakkan toleransi tersebut dan memastikan input data apa pun ke sistem termasuk dalam parameter tersebut untuk akurasi.
Adaptor Data Frekuensi Tinggi MachineMetrics menangkap data mesin pada 1 kHz (dibandingkan dengan 1 Hz standar—sehingga 1000x lebih cepat) sehingga Anda tidak pernah melewatkan satu ketukan pun, apa pun tingkat akurasi yang dibutuhkan aplikasi Anda.
Di sinilah perusahaan juga harus mencari potensi bias. Kebohongan kelalaian masih mengarah pada prediksi dongeng. Apakah sumber data Anda mengumpulkan cukup luas untuk menunjukkan gambaran keseluruhan atau apakah mereka rentan terhadap bias sebagai konsekuensi dari metode pengumpulan yang digunakan? Misalnya, jika Anda mencoba untuk mengetahui gaji rata-rata untuk pekerja lini produksi, tetapi semua responden adalah laki-laki, kemungkinan besar Anda akan memiliki angka yang miring vs. jika Anda mensurvei pria dan wanita untuk mendapatkan gambaran yang lebih jelas dan gambar yang lebih akurat. Mencari potensi kesalahan seperti ini secara aktif dapat menghasilkan data yang lebih bersih dan prediksi yang lebih akurat.
Konteks dan Kompleksitas
Semakin kompleks suatu sistem, semakin banyak ruang untuk ketidakakuratan, ketidakkonsistenan, risiko, dan kerusakan umum dalam data dan logika yang menopangnya ketika Anda mencoba menerjemahkannya ke sesuatu yang dapat digunakan untuk analisis. Berapa banyak langkah yang ada untuk proses di mana Anda mencoba mengumpulkan data? Apakah Anda memiliki pengetahuan industri untuk membantu Anda memberikan konteks pada data mentah? Misalnya, mesin yang "mati" berkali-kali dalam beberapa menit dengan produksi yang berhasil di antaranya cenderung tidak menjalankan produksi yang sebenarnya, melainkan merupakan indikasi pengujian untuk memastikan masalah apa pun yang awalnya menyebabkan waktu henti diselesaikan sepenuhnya, dikalibrasi ulang, dan siap untuk melanjutkan nyata produksi. Namun, membiarkan angka-angka ini dalam kumpulan data sebagai input dapat menyebabkan ketidakakuratan serius yang mungkin sulit ditangkap oleh mata yang tidak terlatih.
Ini tidak berarti bahwa tim ilmu data Anda harus menjadi ahli utama dalam segala hal di industri Anda. Namun, itu berarti bahwa memiliki saluran di mana para ahli dapat menambahkan konteks sangat penting. Misalnya, dengan MachineMetrics, operator mesin dilengkapi dengan perangkat tablet di lantai toko, tepat di mesin mereka. Mereka dapat dengan cepat dan mudah menambahkan konteks manusia ke data numerik untuk meningkatkan akurasi pada tahap analisis. Tanpa saluran konteks semacam ini, ini bisa menjadi permainan tebak-tebakan untuk menentukan angka mana yang harus dilempar ke dalam pot dan mana yang harus dibuang.
Transformasi Tanpa Rugi
Ketika Anda mengubah satu hal menjadi hal lain, pada dasarnya selalu ada beberapa tingkat kerugian, betapapun kecilnya—apakah itu mengubah bijih menjadi baja, kapas menjadi tekstil, atau data ke dalam format untuk analisis, penting untuk menentukan berapa banyak kerugian yang dapat diterima dan bagaimana banyak yang dapat dicegah. Memulai dengan data yang bersih dan akurat adalah langkah penting pertama dalam analisis yang bersih dan akurat. Di luar tahap itu, perlu untuk mempertimbangkan alat mana yang akan Anda gunakan dan untuk aplikasi apa, kemungkinan hilangnya kesetiaan, dan sejauh mana hal ini dapat diterima (atau tidak relevan). Ini mengarah langsung pada pemahaman apa yang Anda coba lakukan dengan data dan model Anda—masalah apa yang coba Anda pecahkan—dan tingkat akurasi yang diperlukan untuk menyelesaikannya secara efektif.
Di MachineMetrics, kami memastikan data Anda memberi Anda seluruh kebenaran dan hanya itu. Kami adalah pakar industri yang memahami kedalaman, keluasan, dan jenis data yang Anda butuhkan untuk memecahkan masalah Anda yang paling mendesak—apakah itu waktu henti mesin, pengoptimalan output, atau berbagai opsi lainnya—menggunakan pendekatan berbasis data. Kami menggunakan format yang sederhana dan mudah dicerna untuk berbagi dan analisis yang mempertahankan integritas dan kesetiaannya, bahkan secara real-time. MachineMetrics menyederhanakan tugas mengintegrasikan data lantai toko dengan pengambilan keputusan dunia nyata melalui proses yang terbukti benar, diimplementasikan dalam bahasa sederhana dan dengan alat yang sangat mudah sehingga bahkan orang non-teknis dapat dengan mudah menginstalnya sendiri, untuk layanan yang telah mengarahkan pelanggan kami ke ROI dalam waktu kurang dari seminggu. Untuk melihat jenis pertanyaan apa yang dapat dijawab MachineMetrics untuk bisnis Anda atau untuk memesan demo, hubungi kami kapan saja di sini.
