Veri cenneti olarak fabrika üretim ortamı: Şirketler makine ve üretim bilgilerinden daha fazla yararlanmak için neler yapıyor?
25 Eylül 2020, Cuma, Yapay Zeka tarihinde yayınlandı

Veri Bilimi projesi yaklaşımı: hazırlık, analiz ve uygulama geliştirme, değerlendirme, bakım
Endüstriyel Veri Bilimi yeni bir disiplindir. Bu nedenle, her şirket için uygun olan genelgeçer bir yaklaşım (hâlâ) yoktur. Mümkün olan en iyi sonucun elde edilmesi için çözüm ve uygulamaların her birinde özelleştirilmiş veri analizi ve modelleme gerekir. Bununla birlikte, standart bir yaklaşımın benimsenmesi yararlıdır. CRISP-DM modeli (Cross-Industry Standard Process for Data Mining), en yaygın şekilde benimsenmiş olan temel yaklaşımdır. OMRON, CRISP-DM'yi basitleştirip uyarlayarak yeni bir yaklaşım geliştirdi. Bu yaklaşımda dört adım bulunuyor: hazırlık, analiz ve uygulama geliştirme, değerlendirme, bakım. Bu aşamalar hakkında daha fazla bilgiyi infografikte bulabilirsiniz.1. Aşama: Hazırlık
Hazırlık aşaması, en önemli aşamadır. Hedefin net olmadığı bir veri bilimi projesi asla başarılı olamaz. Bu nedenle, bu önemli ilk adımda tüm katılımcılar ve alan uzmanları, net olarak tanımlanmış bir proje hedefine ulaşmak için öncelikle sorunu veya belirli gereklilikleri ele alır. Hangi verilerin mevcut olup hangilerinin toplanması gerektiği hakkında genel bilgi elde etmek için makineyi ve/veya üretim sürecini ayrıntılı bir şekilde analiz ederler. Bu süreçte, fizibilite çalışması olarak ilk veri kümesi toplanıp analiz edilebilir. Hazırlık aşamasının sonunda, oluşturulması beklenen değer ve gerçekçi ROI hakkında bilgi veren bir rapor oluşturulur.2. Aşama: Analiz ve uygulama geliştirme
- Veri toplama: Veriler, ham sensör verilerinden MES sistemlerinin sunduğu bilgilere uzanan çeşitli kaynaklardan toplanır.
- Verileri ön işlemeden geçirme: Toplanan veriler analiz adımı için hazırlanır, dönüştürülür, birleştirilir ve temizlenir.
- Veri analizi: Geliştirilmiş analiz algoritmaları ve makine öğrenimi modelleri uygulanır.
- Uygulama: Veri analizinden elde edilen çıkarımlar ve sonuçlar sunulur. Duruma, hedef gruba veya makineye göre uyarlanan ya da makine için geri bildirim olarak hazırlanan görselleştirmeler örnek olarak gösterilebilir.