Adifferenza di altri settori come la vendita al dettaglio, l’eCommerce o il farmaceutico, il ruolo dell’IA e della scienza dei dati nell’industria manifatturiera non è molto noto. I dati generati nell’industria manifatturiera sono difficili da acquisire e quindi ritarda nell’utilizzo dell’IA nella produttività e sposta anche il KPI. Ramesh Kumar, responsabile dell’analisi di Tata Steel, ha parlato di come viene esplorata l’intelligenza artificiale in azienda e quali sono alcune delle sfide che emergono durante la distribuzione dell’IA. Attualmente sta guidando un’implementazione dell’IA su larga scala nella produzione in Tata Steel.

Sfide nell’implementazione dell’IA nella produzione
Kumar ha condiviso quattro sfide significative che intromettono la funzione AI nel settore manifatturiero.

Dati

I dati vengono generati principalmente da sensori utilizzati in vari processi e funzioni nell’industria manifatturiera e svolgono un ruolo cruciale nella distribuzione e nella generazione dei dati. Pertanto, richiede un’attenta installazione, archiviazione e verifica dei dati per ottenere i dati nell’industria manifatturiera. Per sviluppare e distribuire l’apprendimento profondo e modelli di macchine, sono i dati raccolti da questi sensori che svolgono un ruolo cruciale. Oltre a generare i dati, è essenziale archiviarli e l’audit viene eseguito con cura per evitare qualsiasi deviazione nei risultati.

Persone

Le persone sono il deposito della conoscenza, molteplici indicazioni chiave, processi e funzioni. Costituiscono una risorsa cruciale per guidare le applicazioni basate sulla scienza dei dati sul campo. Kumar ha affermato che la maggior parte delle industrie siderurgiche e manifatturiere si trova lontano dai punti nodali e spesso è difficile reclutare o assumere team in queste località. La creazione di una squadra è la prima sfida.

Per ovviare a questo problema, Kumar condivide che Tata Steel gestisce più programmi di formazione per far conoscere alle persone i vari strumenti e tecnologie utilizzati nel processo. Ad esempio, comunicare le terminologie della scienza dei dati con l’ operatore di livello base per ottenere i risultati richiesti da loro può essere una sfida. Pertanto, queste iniziative aiutano a comunicare la scienza dei dati in termini profani.

Processi

La seconda sfida nell’industria manifatturiera è il processo. Di solito ci vogliono anni per sviluppare processi nel settore manifatturiero. I dati cambiano ogni pochi mesi. Ad esempio, a causa di COVID, la capacità di produzione di Tata Steel è diminuita drasticamente, il che ha portato a un calo dei dati generati attraverso i sensori. I dati primari raccolti su cui i modelli sono stati addestrati non erano di alcuna utilità e dovevano essere addestrati ancora una volta.

Anche fattori esterni come l’ambiente, le materie prime, la proprietà del carbone e altri potrebbero influenzare il processo e la produzione finale. Esistono migliaia di sensori installati nei processi, i cui dati vengono addestrati dai dati storici, ma le deviazioni in esso possono far ritenere i modelli irrilevanti. È qui che entra in gioco la preparazione dei dati, che è estremamente importante. Inoltre, qualsiasi modifica inerente al sistema, se l’errore non viene corretto, porterà a risultati imprevisti nel modello.

Tecnologia

La tecnologia, ancora una volta, è una sfida ma non così grave come le altre. La disponibilità di biblioteche e strumenti disponibili pubblicamente rende più facile per i data scientist esplorare e giocare con i dati.

Casi d’uso in Tata Steel
Kumar ha condiviso che la funzione di scienza dei dati di Tata Steel si basa su tre principi: semplificazione , sinergia e scala. Spiegando ulteriormente ciò, Kumar ha affermato che “semplificando” significa che la scienza dei dati dovrebbe essere comunicata in modo che un uomo comune possa comprendere i tecnicismi. “Synergy” è il punto in cui i dati provenienti da diversi domini come ricerca e sviluppo, processi e macchine si uniscono per entrare nell’intero lavoro, mentre la “scala” è dove un modello dovrebbe avere il potenziale per una distribuzione orizzontale.

Parlando dei casi d’uso, Kumar ha condiviso che usano metodi come modelli di regressione nell’apprendimento automatico, modellazione predittiva, reti neurali, aumento del gradiente, tra gli altri per generare informazioni da vari punti dati. Ha inoltre condiviso che hanno modelli su ogni postazione di lavoro, che sono tutti cuciti insieme per farlo funzionare e generare i risultati desiderati. Ha anche condiviso che la maggior parte dei modelli lavora sull’apprendimento adattivo, cioè apprendono dagli errori passati e continuano ad aggiornarsi occupandosi di eventuali deviazioni in futuro.

Le macchine connesse e l’interdipendenza del processo in un ambiente di produzione complesso rendono difficile per l’IA trovare possibilità nel settore e misurare il suo impatto integrato. Tuttavia, stanno lavorando con esperti del settore e persino accademici per realizzare migliori applicazioni della produzione basata sull’intelligenza artificiale.

Di ihal