Memisahkan Fakta dari Fiksi: Mengungkap Narasi Sebenarnya di Balik Data Anda
Pada 30.000 SM, nenek moyang kita melukis cerita di dinding gua tentang kehidupan sehari-hari, dan pada 700 SM kami memiliki cerita pertama yang dicetak—Gilgamesh. Lompat ke tahun 2021, dan kita telah bersama-sama menciptakan cerita dengan AI selama lebih dari setengah tahun. Namun, ketika prioritas utama adalah intelijen bisnis yang akurat, perusahaan ingin yakin bahwa sistem kecerdasan buatan dan pembelajaran mesin mereka tidak mengambil kebebasan artistik dan mengeluarkan dongeng.
Ini sangat relevan sekarang bahwa pengambilan keputusan yang dipimpin AI dan ML berada pada tingkat adopsi tertinggi hingga saat ini, dan bahkan eksekutif yang paling ragu mulai melihat manfaat besar dari pendekatan strategi yang berpusat pada data. Seiring bertumbuhnya kepercayaan pada janji AI dan ML, akurasi sangat penting. Pertanyaan yang masih menjadi perhatian banyak orang: "Bagaimana kita bisa tahu apakah data kita memberitahu kita cerita lengkap—dan yang berdasarkan fakta? Apa yang perlu kita ketahui untuk mempercayai model kita?"
Data yang Bersih
Saat sistem pembelajaran mesin memberikan prediksi yang tidak akurat, kita dapat menunjuk satu pelaku—data. Kecuali peristiwa black swan, data adalah awal, tengah, dan akhir dari sistem prediktif apa pun. Mungkin cukup tidak ada data yang cukup untuk melatih sistem secara andal atau melandaskan prediksinya, dalam hal ini lebih banyak titik data dapat menyelesaikan masalah. Biasanya, sesuatu seperti ini akan terdeteksi pada tahap awal ideasi model dan hampir tentu sebelum penerapan, setidaknya sejauh mencegah prediksi yang sangat tidak akurat. Namun, pelaku yang lebih mungkin adalah data awal tidak "bersih" cukup. Bersih cukup adalah relatif. Persyaratan data untuk beberapa proyek mirip dengan "Apakah sepatu olahraga saya cukup bersih untuk pergi ke supermarket?" Yang lainnya, terutama dalam sistem kritis dan yang melibatkan kehidupan, keselamatan, dan kesejahteraan, lebih seperti skenario "bebas debu, kirain sampai kilap, pawai kilap yang bisa Anda lihat gigi Anda" ketika seberapa bersih data perlu dilakukan untuk secara andal (dan etis) melakukan tugas.
Jadi, apa yang membuat data kotor? Cerita pendeknya adalah informasi yang tidak akurat atau menyimpang.
Tag yang Rusak, Model yang Rusak
Ini bisa berupa data yang tidak diberi tag dengan benar, data yang memiliki informasi yang salah di bidang yang salah atau dalam format yang salah, misalnya 27 Desember 2015 alih-alih 12/27/15 atau 27/12/2015. Sementara opsi pertama mungkin hanya melemparkan error atau diabaikan, menukar dua format tanggal terakhir dapat menyebabkan dampak serius terhadap akurasi. Dan tanggal bukanlah satu-satunya yang dapat dipengaruhi oleh format yang tidak valid—waktu, SKU, teks di mana angka harus ada, angka di mana teks harus ada, dan semua aliran data khusus yang keluar dari peralatan lantai produksi seperti override, alarm, beban, kecepatan, umpan, dll. Poinnya adalah tanpa struktur yang terpercaya dan konsisten, data dapat menjadi berantakan dan mengarah pada wawasan yang tidak akurat.
Dengan MachineMetrics, perusahaan dapat mengambil keuntungan dari mesin transformasi data otomatis kami yang menspesialisasikan dan memformat berbagai jenis data untuk analisis yang mudah. Itu dapat menangani nilai sensor khusus, status mesin, mode, alarm, override, beban, kecepatan, umpan, parameter PMC, diagnostik, dan lebih banyak lagi.
Dapatkah Anda Mempercayai Sumber Anda?
Penting untuk mempertimbangkan kebenaran dan akurasi dari setiap sumber data yang digunakan, terutama jika sumber tersebut adalah manusia. Manusia bukan makhluk yang paling akurat. Kami membulatkan angka, lupa, dan memanipulasi angka. Kami menjadi malas, lelah, lapar, atau terganggu. Karena menggunakan sumber data manusia, data akan kotor dengan cara atau lainnya. Di sinilah penting untuk melihat toleransi. Misalnya, operator mesin mungkin menambahkan data tentang kondisi peralatan yang mereka gunakan. Saat memberikan informasi tentang waktu henti, alasan yang terdaftar mungkin akurat sementara waktu lebih merupakan perkiraan. Ini mengarah pada sistem prediktif 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 yang realistis harus dipertimbangkan. Detik atau interval setengah jam? Dalam kasus pemrosesan data mesin, Anda bahkan bisa melihat nanodetik atau lebih kecil untuk beberapa kasus penggunaan. Tidak peduli toleransi apa yang dianggap wajar untuk proyek, penting untuk memberlakukan toleransi itu dan memastikan setiap masukan data ke sistem jatuh dalam parameter tersebut untuk akurasi.
Adapter Data Tinggi Frekuensi MachineMetrics menangkap data mesin pada 1kHz (bandingkan dengan 1Hz standar—jadi 1000x lebih cepat) sehingga Anda tidak melewatkan satu detik pun, tidak peduli tingkat akurasi yang dibutuhkan aplikasi Anda.
Ini juga di mana perusahaan juga harus mencari potensi bias. Dusta melalui pengabaian masih mengarah pada prediksi dongeng. Apakah sumber data Anda mengumpulkan dengan cukup luas untuk menunjukkan seluruh gambar atau apakah mereka rentan terhadap bias akibat metode pengumpulan yang digunakan? Misalnya, jika Anda mencoba mengetahui gaji rata-rata pekerja lini produksi, tetapi semua responden adalah pria, Anda kemungkinan akan memiliki angka yang menyimpang dibandingkan jika Anda menyurvei pria dan wanita untuk mendapatkan gambar yang lebih jelas dan akurat. Mencari secara aktif potensi pengawasan seperti ini dapat mengarah pada data yang lebih bersih dan prediksi yang lebih akurat.
Konteks dan Kompleksitas
Sistem semakin kompleks, semakin banyak ruang untuk ketidakakuratan, ketidakkonsistenan, risiko, dan kerusakan umum dalam data dan logika yang mendasarinya saat Anda mencoba menerjemahkannya menjadi sesuatu yang dapat digunakan untuk analisis. Berapa banyak langkah dalam proses yang Anda coba kumpulkan data? Apakah Anda memiliki pengetahuan industri untuk membantu memberikan konteks pada data mentah? Misalnya, mesin yang "mati" beberapa kali dalam hitungan menit dengan produksi yang sukses di antaranya kemungkinan bukan produksi nyata, melainkan indikasi tes untuk memastikan masalah awal yang menyebabkan waktu henti sepenuhnya teratasi, dikalibrasi ulang, dan siap melanjutkan produksi nyata. Namun, membiarkan angka ini dalam data-set seperti yang diinputkan dapat menyebabkan ketidakakuratan serius yang dapat sulit terdeteksi bagi mata yang tidak terlatih.
Ini tidak berarti tim ilmu data Anda harus menjadi pakar terkemuka dalam segala hal di industri Anda. Namun, ini berarti bahwa memiliki saluran di mana para pakar dapat menambahkan konteks sangat penting. Misalnya, dengan MachineMetrics, operator mesin dilengkapi dengan perangkat tablet di lantai produksi, tepat di mesin mereka. Mereka dapat dengan cepat dan mudah menambahkan konteks manusia pada data numerik untuk meningkatkan akurasi pada tahap analisis. Tanpa saluran konteks seperti ini, dapat menjadi permainan tebak untuk menentukan angka mana yang harus dimasukkan ke dalam pot dan mana yang harus dibuang.
Transformasi Tanpa Kehilangan
Saat Anda mengubah satu hal menjadi hal lain, pada dasarnya selalu ada beberapa tingkat kehilangan, sekecil pun—baik itu mengubah biji besi menjadi baja, kapas menjadi tekstil, atau data menjadi format untuk analisis, penting untuk menentukan berapa banyak kehilangan yang dapat diterima dan berapa yang dapat dicegah. Memulai dengan data yang bersih dan akurat adalah langkah awal yang vital dalam analisis yang bersih dan akurat. Di luar tahap itu, perlu untuk mempertimbangkan alat apa yang akan Anda gunakan dan untuk aplikasi apa, probabilitas kehilangan fidelitas, dan sejauh mana hal ini dapat diterima (atau tidak relevan). Ini langsung mengarah pada pemahaman tentang apa yang Anda coba lakukan dengan data dan model Anda—masalah apa yang Anda coba selesaikan—dan tingkat akurasi yang diperlukan untuk menyelesaikannya secara efektif.
Di MachineMetrics, kami memastikan data Anda memberitahu Anda seluruh kebenaran dan tidak ada yang lain. Kami adalah ahli industri yang memahami kedalaman, lebar, dan jenis data yang Anda butuhkan untuk menyelesaikan masalah paling mendesak Anda—baik itu waktu henti mesin, mengoptimalkan output, atau banyak opsi lain—menggunakan pendekatan yang dipimpin data. Kami menggunakan format yang sederhana dan mudah dicerna untuk berbagi dan analisis yang mempertahankan integritas dan fidelitasnya, bahkan secara real-time. MachineMetrics menyederhanakan tugas mengintegrasikan data lantai produksi dengan pengambilan keputusan di dunia nyata melalui proses yang teruji, diimplementasikan dalam bahasa sederhana dan dengan alat yang begitu mudah sehingga bahkan orang non-teknis dapat dengan mudah menginstalnya sendiri, untuk layanan yang telah membawa pelanggan kami ke ROI dalam kurang dari seminggu. Untuk melihat jenis pertanyaan yang dapat dijawab MachineMetrics untuk bisnis Anda atau untuk memesan demo, hubungi kami kapan saja di sini.
