Что необходимо производственным аналитикам

Билл Скаддер (Bill Scudder), старший вице-президент и генеральный директор подразделения AIoT Solutions в компании AspenTech

Промышленный сектор в настоящее время находится в разгаре очередного периода кардинальных перемен, на этот раз являющихся цифровой трансформацией, движимой промышленным Интернетом вещей, искусственным интеллектом и алгоритмами машинного обучения. Все это усугубляется сменой поколений персонала, когда на смену специалистам-ветеранам приходят новые сотрудники, более подкованные в области технологий, но не располагающие столь же богатым опытом.

В центре этой трансформации находятся промышленные эксперты по аналитическим данным (industrial data scientists, IDS) — новый вид технических специалистов, умеющих работать с данными и имеющих доступ к большему количеству промышленных данных, чем когда-либо ранее. А также к доступным инструментам на базе технологий искусственного интеллекта (ИИ), машинного обучения (МО) и аналитики, необходимым для преобразования этой информации в действенные знания в масштабах предприятия.

IDS олицетворяют собой новое пересечение между традиционным пониманием гражданских специалистов по аналитическим данными (citizen data scientists) и специалистов в конкретных областях промышленности. Это работники, обладающие глубокими знаниями в промышленности, но все активнее вторгающиеся в сферу данных, занимаемую первыми. Согласно недавнему опросу, почти 40% специалистов по аналитическим данным, которые сегодня приходят на работу в промышленность, имеют образование в области химических технологий, технологического проектирования или организации производства, а не в области информатики или разработки ПО.

На фоне этих кадровых изменений, тенденций цифровизации и трансформации традиционных отраслей промышленности IDS могут сыграть важную роль. Они могут ускорить  подъем в области внедрения ИИ и МО в промышленных организациях.

Роль промышленного эксперта по аналитическим данным

Будучи, например, инженерами-химиками, опирающимися на науку о данных, IDS сосредоточены на решении реальных производственных проблем. Они опираются на свою предметную экспертизу, чтобы применять знания из этой области в проектах по аналитической обработке данных, и привносят уровень экспертизы, которым традиционные специалисты по данным не могут располагать по определению.

В то же время IDS помогают раскрыть преимущества применения науки о данных и распространять ее ценности в организациях. Их двойное положение в качестве экспертов в своей области и специалистов по анализу данных служит для продвижения роли науки о данных, которая в противном случае может быть недооценена. Обладая глубокими знаниями в своей области, IDS помогают создать потенциал для новых возможностей бизнеса, они также обладают навыками извлечения действенных выводов из необработанных данных.

В отличие от них, более традиционные специалисты по анализу данных, особенно те, кто работают по профилю исследователя, используют для решения сложных проблем свой академический опыт. Они обычно больше сосредоточены на долгосрочных проектах, таких как разработка новых сложных моделей МО, улучшение ключевых показателей эффективности и создание новых оценочных показателей. Хотя их роль будет по-прежнему важна для промышленных предприятий, инициативы по цифровизации и кадровые изменения приведут к тому, что все больше предметных специалистов будут переходить с традиционных инженерных позиций к работе, основанной на данных. По мере того, как это будет происходить, деятельность IDS будет становиться все более неотъемлемой частью того, как промышленные предприятия осуществляют цифровую трансформацию и используют промышленные ИИ-приложения для повышения рентабельности.

Проблемы, сдерживающие развитие IDS

Основная задача IDS заключается в создании более комплексных, высокопроизводительных и устойчивых моделей ИИ и МО, которые направлены на решение конкретных реальных задач. Эти модели промышленного ИИ охватывают жизненный цикл активов и все шире используются для управления промышленными предприятиями в ходе цифровой трансформации с целью максимизации производительности, эффективности и выхода продукции — при реализации концепции самооптимизирующегося завода. Однако выполнению миссии IDS часто мешают организационные, технические и технологические проблемы, которые не позволяют им делать то, что у них получается лучше всего.

Некоторые из этих проблем включают:

  • координацию ресурсов знаний в предметной области между экспертами и управление соответствующими данными в разрозненных файлах и изолированных инструментах;
  • сотрудничество с другими экспертами в данной области для настройки, тестирования, обучения и улучшения моделей на постоянной основе для достижения бизнес-целей;
  • определение правильного набора используемых библиотек и сред ИИ/МО;
  • определение того, где разместить свой МО-код, как его версионировать и строить совместную работу с ним;
  • обработку и масштабирование дополнительных ресурсов по мере необходимости в связи с увеличением сложности вычислений или объема данных;
  • подключение к различным источникам данных и преодоление проблем интеграции данных и мобильности, связанных с доступом к историческим данным в реальном времени;
  • обмен результатами и развертывание моделей в производстве;
  • объединение усилий ИТ-специалистов, инженеров по данным, DevOps и интеграторов, необходимых для доказательств концепции;

Создание инфраструктуры для выполнения миссии IDS

Занимаясь созданием масштабируемых, контролируемых и безопасных моделей промышленного ИИ, IDS не должны сами во всем этом разбираться. Очевидной является ценность инструментов, которые улучшают их работу, освобождая их от необходимости заниматься не совсем профильными вещами.

Эти инструменты также обеспечивают сокращение времени выхода на рынок, что крайне важно в условиях VUCA (volatile, uncertain, complex, ambiguous — изменчивость, неопределенность, сложность, неоднозначность), позволяя компании быть более гибкой, опередить конкурентов и завоевать солидную долю рынка в качестве первопроходца.

Еще одно преимущество таких инструментов — повышение производительности. IDS стоят дорого, и автоматизация рутинной части их работы значительно повышает рентабельность инвестиций.

Другой важный фактор — более активные инновации. Компании часто попадают в «долину смерти» между фазами разработки идеи и ее реализации, и этот разрыв усугубляется проблемами, с которыми сталкиваются IDS. Поддержка их работы с помощью зрелой промышленной среды ИИ помогает обеспечить более эффективное тестирование концепций и повышает вероятность того, что хорошая идея будет реализована в продукте.

Промышленные предприятия должны инвестировать в надежную, масштабируемую и безопасную инфраструктуру промышленного ИИ, чтобы создать экосистему, в которой IDS смогут свободно разрабатывать, обучать, поддерживать, внедрять и выполнять промышленные модели ИИ и МО без обычных препятствий. Это означает принятие полнофункционального подхода, который абстрагирует сложность проектов в области науки о данных, упрощает получение необходимых данных, облегчает сотрудничество между предметными специалистами, например, инженерами-технологами, и обеспечивает беспрепятственное внедрение проектов ИИ и МО в производство.

О компании

Aspen Technology (AspenTech) — ведущий поставщик программного обеспечения для оптимизации производительности активов. Продукты AspenTech разработаны для использования в сложных промышленных средах, где важную роль играет оптимизация проектирования, эксплуатации и обслуживания производственных активов. AspenTech уникально сочетает десятилетия опыта в области моделирования производственных процессов с технологиями на базе искусственного интеллекта. Цель компании — создание программной платформы для автоматизации работы с производственными данными и обеспечение устойчивого конкурентного преимущества.

Похожие записи