Menghilangkan Kendala: Memanfaatkan Analitik untuk Efisiensi Manufaktur
Ruban Phukan, Co-founder dan Chief Product and Analytics Officer di Progress DataRPM, membahas pertempuran yang lama dengan kendala dan peran analitik prediktif dalam manufaktur.
Isu-isu yang melingkupi kendala dalam manufaktur sudah terlampaui dokumentasi. Dari keterlambatan produksi, overstock, tekanan yang meningkat dari pelanggan dan lainnya, masalah yang disebabkan oleh keterbatasan kapasitas yang tiba-tiba dan tidak terduga dapat merusak bagi bisnis apa pun di industri. Dengan ini dalam pikiran, Manufacturing Global berbicara dengan mantan ilmuwan data Yahoo dan pemimpin terkemuka di Progress DataRPM, Ruban Phukan, tentang penggunaan model pemeliharaan prediktif dan bagaimana mereka dapat membantu menciptakan lingkungan yang gagal-tidak-mungkin.
Menyentuh inti masalah
Sebagai anggota sebelumnya dari tim analisis data Yahoo, Phukan terbiasa dengan komplikasi yang melingkupi penggunaan big data. “Saya adalah bagian dari tim data science pertama yang dibuat di Yahoo beberapa tahun yang lalu,” katanya. “Pelajaran besar di sana adalah bahwa data science sangat sulit untuk diskala, secara manual, untuk organisasi besar. Yang kita sadari adalah bahwa satu-satunya cara untuk benar-benar menyelesaikan masalah data science, dalam cara yang dapat menambah nilai bagi bisnis, adalah mengotomatiskan proses-proses yang ada di balik analisis data itu.”
Beralih dari Yahoo, Phukan memulai bisnis mesin pencari vertikalnya sendiri, menggunakan machine learning untuk memahami perilaku pengguna, khususnya berurusan dengan analitik prediktif. Setelah menjualnya, ia berbisnis dengan pendiri-founder saat ini, di mana ia mengambil cerita ProgressDataRPM dan bagaimana itu membuat langkah menuju, di antara banyak hal lainnya, mengatasi kendala.
“Ketika kita pertama kali berkumpul, kita menyadari bahwa ada sejumlah besar data digital yang dihasilkan, tetapi masalahnya tetap sama: ini tidak dapat diselesaikan secara manual. Tidak cukup ilmuwan data. Bahkan dengan sejumlah besar data yang ada, jenis nilai yang diperoleh bisnis dari itu tidak membenarkan ROI,” katanya.
“Jadi, kita mulai mengatakan ‘dapatkah kita membuat platform yang membuat proses data science menjadi mulus dan otomatis?’ Kami ingin bisnis dapat memanfaatkan praktik terbaik, menerapkannya pada masalah mereka dan menyelesaikannya secara skala.”
Kemajuan machine learning
Dengan kemajuan kemampuan teknologis machine learning, Phukan dan pendiri-founder mereka mampu mengatasi volume sebesar data dan informasi yang tersedia untuk klien mereka dengan cara yang sebelumnya tidak mungkin. Pentingnya, bagi bisnis manufaktur, ini berarti mereka juga dapat memulai dampak positif pada hal-hal seperti garis produksi.
“Misalnya, dengan hal-hal seperti sensor yang diaktifkan, itu membantu kita memahami dengan sangat rinci, fungsi normal suatu mesin di bawah kondisi operasi dan lingkungan yang berbeda. Kami kemudian dapat menilai bagaimana ini mempengaruhi kesehatan mesin dan consequently apa yang dilakukan ini pada garis produksi, dalam hal efisiensi,” katanya kepada kami.
Dengan menerapkan pertanian pabrik otomatis yang tidak memerlukan seseorang menjadi ahli data science, ProgressDataRPM pada dasarnya membantu industri berbasis aset besar untuk menyelesaikan dua masalah: bagaimana meminimalkan downtime yang tidak terencana dan bagaimana memaksimalkan kualitas dan efisiensi output aset mereka. Semua ini dilakukan melalui perangkat lunak prediksi anomali kognitifnya. Saat terhubung ke data berbasis sensor, itu secara otomatis menetapkan baseline kondisi operasi normal mesin. Kemudian itu mencari hal-hal yang menyimpang dari kondisi ini dan membuat peringatan sebelum memprediksi masalah potensial yang mungkin terjadi.
Ini adalah kemampuan untuk memprediksi hal yang tidak diketahui yang menurut Phukan mewakili pergeseran besar dari proses tradisional sebelumnya. “Kita perlu dapat menelaah mengapa sesuatu telah terjadi di masa lalu tetapi, yang lebih penting, kita juga perlu memprediksi hal-hal yang belum terjadi,” katanya menjelaskan.
Mempengaruhi garis montir
Salah satu area kunci yang perlu diteliti oleh bisnis manufaktur adalah proses yang mempengaruhi apa yang terjadi pada garis produksi, khususnya waktu kontrol kualitas. “Kami telah bekerja sama dengan sejumlah produsen di industri otomotif dan perawatan kesehatan, misalnya, dan salah satu tantangan terbesar yang mereka hadapi adalah pemeriksaan kualitas terjadi di akhir proses manufaktur. Jadi, setelah seluruh batch produk dibuat, tes akan dijalankan untuk menentukan apakah itu OK. Ini dapat mengakibatkan tingkat sisa sejauh 75%,” kata Phukan.
Karena sebagian besar aturan suite tes hanya dapat ditulis berdasarkan pengalaman sebelumnya, saat masalah baru muncul yang belum diperhitungkan, ini dapat mengakibatkan masalah serius seperti panggilan kembali produk. Menggunakan platform analitik prediktif akan, menurut Phukan, menjadi norma. Memang, ini adalah sesuatu yang sudah dia identifikasi semakin sering dalam manufaktur.
“Saat produsen berbicara dengan kami, mereka bertanya apakah mereka dapat menggunakan machine learning untuk menentukan, sepanjang jalan, apakah batch tersebut cacat. Mereka tahu kami dapat mendeteksi hal-hal lebih awal, sehingga mereka dapat menghentikan proses untuk meminimalkan biaya dan kerugian.”
Apakah dia memiliki contoh spesifik ini dalam tindakan? “Kami bekerja sama dengan penyedia telekomunikasi besar di Prancis dan mereka memiliki tantangan nyata dengan set top box mereka, yang bukan sesuatu yang Anda asumsikan memerlukan pemeliharaan prediktif yang berat. Masalah mereka adalah setiap kali satu gagal mereka harus pergi dan mengidentifikasi masalah dan menggantinya. Tentu saja, ini mahal dalam hal waktu dan uang. Ada juga risiko besar kehilangan pelanggan,” katanya.
“Kami secara proaktif mengidentifikasi bahwa satu per tiga kotak mereka memiliki masalah yang berarti layanan pelanggan dapat menelepon dan memberitahu orang untuk memperbarui kotak mereka atau mengirim penggantian sebelum kegagalan terjadi.”
Masa depan analisis kendala
Produsen jelas semakin sensitif terhadap manfaat teknologi kognitif mesin-pertama, yang memungkinkan mereka untuk mengidentifikasi anomali dan potensi membawa ahli subjek untuk membantu menentukan dampak temuan mesin.
Memang, Phukan membahas bagaimana AR, IoT, jaminan, cloud komputasi hibrida dan blockchain semakin banyak akan memainkan peran mereka juga, namun, deteksi yang tidak diketahui yang menurutnya akan menjadi kunci. “Kunci bukan apa yang sudah diketahui; ahli domain dapat melakukan pekerjaan yang bagus dalam menangani itu, tetapi tantangan besar adalah yang tidak diketahui dan apa yang akan menimpa bisnis selanjutnya. Itulah yang perlu kita cegah dan itulah inti dari apa yang akan mengubah permainan manufaktur,” Phukan menyimpulkan.
