Снижение рисков инновационных проектов или как помочь проекту взлететь

Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics.

В предыдущих материалах мы уже писали о приемах снижения рисков инновационных проектов, в частности проектов предиктивной и предписывающей аналитики. Один из способов – это этапность и детализация. На сколько этапов разбивать проекты, например, прогнозирования протекания технологических процессов и их оптимизации, и какие рамки должны быть у пилотных проектов?

Обычная практика реализации проектов это:

  1. Постановка цели и формализация задачи, написание технического задания
  2. Построение моделей и тестирование
  3. Прототипирование системы и создание макетов пользовательского интерфейса
  4. Составление технико-рабочего проекта на внедрение в промышленную эксплуатацию
  5. Внедрение, опытная эксплуатация и поддержка
  6. Масштабирование

Успех зависит от качества и количества данных, поэтому выделяйте доказательство осуществимости идеи в отдельный подпроект

В случае построения интеллектуальных систем с применением продвинутой аналитики успех реализации зависит не только от используемых технологий и экспертизы исполнителей, а прежде всего от качества и количества данных. Действие принципа GIGO (мусор на входе – мусор на выходе) очевиден для построения подобных систем, поэтому мы рекомендуем своим заказчиком после постановки цели и формализации задачи выделять в отдельный подпроект этап Proof of Concept (PoC) или доказательство осуществимости идеи на исторических данных. Техническое задание в этом случае можно ограничить формализацией задачи в цель машинного обучения, например, какие величины прогнозируем или какую целевую переменную выбираем для оптимизации; метриками качества прогнозной модели, т. е. по каким критериям считаем проект успешным и возможным для дальнейшей разработки.

Задачи, сроки и результаты

Проекты PoC можно выполнить за 2-3 месяца, их стоимость не превышает 1 млн. рублей, поэтому риски по срокам и бюджету минимальные.

Задача проекта – это создать датасет из существующих данных заказчика, провести описательную (дескриптивную) аналитику, построить на основании существующих исторических данных предиктивные или оптимизационные модели и оценить их качество.

Результатом проекта PoC является собранный датасет и отчет, в котором должны быть отражены все этапы исследовательской деятельности, а именно:

  • Цели и задачи бизнеса, для которых запускается проект PoC
  • Структура и источники данных
  • Описание подготовки датасета и результат сбора данных
  • Результаты описательной аналитики и статистические выводы
  • Описание подготовки данных для моделирования и выбора алгоритмов
  • Результаты моделирования и оценка качества
  • Выводы по проекту
  • Предложения по дальнейшему развитию проекта

При успешном завершении проекта Proof of Concept согласно утвержденным в техническом задании критериям можно переходить к составлению детального технического задания с описанием функциональности системы, требованиям к пользовательскому интерфейсу, архитектуре, надежности и пр. с указанием этапов и сроков, и после прототипирования запускать систему в промышленную эксплуатацию.

Сложности, которые не позволяют запустить систему в промышленную эксплуатацию

Иногда мы сталкивались со следующими сложностями, которые не позволяют достигать требуемого качества моделирования или запустить систему в промышленную эксплуатацию:

  • Отсутствие данных

При построении модели может выяснится, что точности не хватает за счет отсутствия данных с каких-то узлов оборудования, лабораторных проб и пр. На текущей момент потребности в их сборе и хранении не было, но для задач прогнозирования и оптимизации они необходимы.

  • Данные не оцифрованы или хранятся разрозненно

Бумажные журналы, Excel таблицы со сложной организацией записей, файлы с данными, которые ведет сотрудник по собственной инициативе – все это примеры, когда данные как бы есть, но для промышленного запуска – это равно «данных нет».

  • Датчики неисправны, сломаны, не откалиброваны

Подобные проблемы, если они существуют, выявляются на стадии описательной аналитики. Иногда неисправность датчика неочевидна, с помощью аналитики такие проблемы можно отследить и устранить.

  • Нерегулярность записи данных

Некоторые показатели могут записываться ежесекундно, но такая частота не увеличит датасет, если по другим критичным параметрам данные снимаются раз в сутки, например.

Перечень замечаний к сбору и хранению данных на стадии PoC формирует необходимый объем работ, без реализации которых невозможно перейти к промышленному внедрению.

Для проектов построения интеллектуальных систем на производстве мы настоятельно рекомендуем не пренебрегать исследовательским этапом и выделять его в отдельный проект, иначе техническое задание с подробным описанием требуемого функционала так и останется на бумаге, так как качество данных не позволит осуществить все задуманные идеи.

Получив результаты исследований и анализа существующих данных, наши заказчики вносят изменения в систему сбора и хранения данных согласно полученной дорожной карте и через какое-то время возвращаются для продолжения проекта.

Дополнительно:

10 вопросов при запуске проектов по оптимизации процессов на производстве (datanomics.ru)

Data Governance. 5 основных задач управления данными (datanomics.ru)

Искусственный интеллект в промышленности на примере внедрения системы предиктивного обслуживания оборудования. 3 фактора успеха (datanomics.ru)

 

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»