использование новых технологий в сборе и обработке данных о городе
«аналитика и продвинутая обработка...
Transcript of «аналитика и продвинутая обработка...
«АНАЛИТИКА И
ПРОДВИНУТАЯ
ОБРАБОТКА ДАННЫХ»
Сервисные услуги
ООО «Центр АПС»
2 СЕРВИСНЫЕ УСЛУГИ ПО АНАЛИЗУ ДАННЫХ «ЦЕНТРА АПС»
Сервис
Консалтинг
Разработка
Внедрение
Сопровождение
Поддержка
Рынок КФУ Road Map
1
2
• Промышленные компании
• Собственники, предприниматели бизнеса
• Руководители бизнеса
• Компетенции в различных профессиона-льных областях
• Гибкий подход к заказчику
• Сопровождение на всех этапах жизненного цикла услуги
3
• Разработка бизнес-плана, организ. структуры команды
• Определение круга выполняемых задач
• Верификация сервисных услуг
• Разработка маркетинговой стратегии
4
A B C
3 ЦЕЛЬ И ЗАДАЧА СЕРВИСА ПО АНАЛИЗУ ДАННЫХ
«Центр АПС» продвигает в бизнес среду Современные
Инновационные Системы и предоставляет консалтинговые
услуги и решения по анализу и обработке больших данных.
Задача сервиса состоит в разработке и внедрения
технологий Big Data, Machine Learning, Deep Learning и т.д.
для отечественных компаний.
Заказчики получают от сервиса:
практическую возможность применить знания по анализу и обработке больших
данных в бизнесе;
опыт взаимодействия с консалтингом в вопросе внедрения технологий больших
данных в компании;
экспресс проверка аналитической задачи в тестовой зоне;
возможность использования обогащенных данных для управления активами
компании (при внедрении платформы по анализу данных).
4 ПРОБЛЕМЫ ПО АНАЛИЗУ И ОБРАБОТКЕ БОЛЬШИХ ДАННЫХ
1. Плохое понимание выгод от внедрения Big Data, Machine Learning, Deep Learning руководителями бизнеса
2. Сложности внедрения новых технологий в устоявшиеся информационные системы компаний
3. Нехватка квалифицированных кадров
4. Рост цен на импортную продукцию
5. Недостаточность накопленных информационных ресурсов до уровня Big Data
7. Высокая стоимость технологий Big Data для компаний, желающих внедрить данные технологии
6. Обеспечение безопасности и конфиденциальности данных
5 4 УРОВНЯ АНАЛИТИКИ ПО GARTNER¹
Предписывающая аналитика
Предсказательная аналитика
Диагностическая аналитика
Описательная аналитика
Це
нн
ос
ть
Сложность
1
2
3
4
Что произошло?
Почему это произошло?
Что нужно сделать,
чтобы это произошло?
Что произойдет?
¹ - https://www.gartner.com/en/newsroom/press-releases/2014-10-21-gartner-says-advanced-analytics-is-a-top-business-priority
Предсказательная аналитика – позволяет прогнозировать динамику будущих показателей, основываясь на данных за прошлые периоды. Сначала определяются связи между переменными, а затем на основе их анализа оценивается вероятность того или иного события.
6
¹ - https://www.gartner.com/en/newsroom/press-releases/2014-10-21-gartner-says-advanced-analytics-is-a-top-business-priority
ИССЛЕДОВАТЕЛЬСКИЕ ОТЧЁТЫ ПО АНАЛИТИКИ¹
7 МАГИЧЕСКИЙ КВАДРАНТ ARTIFICIAL INTELLIGENCE 2019¹
ТРЕНД №2
«Расширенная аналитика для прогнозного обслуживания активов»
Расширенная аналитика представляет собой третью волну в области анализа данных и аналитических возможностей над данными.
Клиенты, использующие автоматизированные алгоритмы для анализа данным смогут получить большее число гипотез для принятия решений.
Клиенты для построения платформ машинного обучения используют – Open Source Frameworks & Edge Computing.
¹ - https://www.gartner.com/smarterwithgartner/gartner-top-10-strategic-technology-trends-for-2019/
8 НАШЕ СОТРУДНИЧЕСТВО С ЗАКАЗЧИКОМ ПРИ ЗАДАЧАХ АНАЛИТИКИ
Центр АПС
Развертывание и настройка
программного комплекса в
облаке
Развертывание и локальная настройка
программно-аппаратного комплекса
(ПАК) в компании
Экспресс анализ
данных в тестовой зоне
Консалтинг
Разработка
Внедрение
Сопровождение
Поддержка
Консалтинг
Тест – разработка¹
Консалтинг
Разработка
Внедрение
Сопровождение
Поддержка
1
2
3
Продажи
Снабжение
Маркетинг
¹ - проверка аналитической задачи в тестовой зоне (https://notebooks.azure.com/)
9 ОСНОВНЫЕ ЗАДАЧИ ПО АНАЛИЗУ И ОБРАБОТКЕ ДАННЫХ
выявлять аномалии, диагностировать неисправности по скорейшему
устранению отказов технологического оборудования, тем самым сокращая
простои;
вести интеллектуальный мониторинг типичных моделей использования
технологического оборудования для оптимизации планов работ и
повышения коэффициента использования;
совершенствовать управление качеством и увязывать его с метриками
технологических процессов для оптимизации рабочих параметров;
прогнозировать потребность в обслуживании, с тем чтобы
заблаговременно ремонтировать технологическое оборудование, не
дожидаясь его внезапных поломок, и тем самым избегать перебоев в
работе и ненужных операций по текущему обслуживанию;
выявлять и устранять типичные модели нерационального расходования
энергии и материалов.
10 ПОДХОДЫ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ
Разные подходы могут приводить к одной и той же модели, но разным
методам её обучения.
Основные подходы к задачам обучения:
• статистическая классификация;
• классификация на основе сходства;
• классификация на основе разделимости;
• нейронные сети;
• индукция правил (поиск закономерностей);
• кластеризация;
• регрессия;
• алгоритмические композиции;
• сокращение размерности;
• выбор модели;
• байесовский вывод.
11 ОБРАБОТКА ДАННЫХ (ИНСТАЛЛЯЦИЯ В ОБЛАКЕ¹)
Облачная площадка работы комплекса и/или тестирования идей (тестовая зона*)
С использованием API облачных сервисов
Разработка и решение на Python задач заказчика (при
статических заинжен. данных)
• Кластеризация активов по группам отказов технологического оборудования
• Модель прогнозирования потребности в обслуживании оборудования
Транслирование задачи на облачные сервисы API
• Amazon Machine Learning
• Microsoft Azure Machine Learning
• Microsoft Cognitive Services
• Google Cloud Prediction API
• Google Cloud Machine Learning
• IBM Watson Cloud
• AlchemyAPI
Предоставление интерфейса для
визуализации данных и формирование отчетов
• BI – инструменты
• Трансляция возможностей с предоставлением доступа
• Предоставление и поддержка
* - <1000 точек (300 – тестовая выборка, 700 - обучающая), 2-7 признаков
¹ - предоставляют инфраструктуру хранения и предобработки данных, постоянно работающие серверы для обработки
поступающих данных и формирования ответов режиме онлайн, обладают удобными и интуитивно понятными интерфейсами
для построения моделей и оценки их качества, для визуализации данных, структуры моделей и полученных результатов.
Back - end Frond - end
12 ОБРАБОТКА ДАННЫХ (ЛОКАЛЬНАЯ ИНСТАЛЛЯЦИЯ)
Развертывание ПАК на локальной площадке заказчика
На локальной машине (АРМ обработки и комплексного анализа данных – АРМ ОКАД¹)
Разработка на Python модели данных (при статических заинжен. данных)*
• Бизнес потребность заказчика
• Шаблон-пример кейс (при реализации в тестовой зоне)
• Бизнес-задача для отрасли, в которой работает заказчик
Предоставление интерфейса для визуализации данных и формирование отчетов
• BI – инструменты
• SCADA - системы
• Трансляция возможностей с предоставлением доступа
• Предоставление и поддержка
Data Set с данными
в виде *.xsl (*.csv) или
SQL -запросы
Back - end Frond - end
* - <10000 точек (30%– тестовая выборка, 70% - обучающая), <10 признаков
¹ - предоставляет собой рабочее место с отдельными программными средствами (программ, надстроек, модулей
расширения, библиотек процедур) для реализации процессов редактирования, обработки и анализа данных (в том числе
комплексного) информации по прогнозному обслуживанию активов.
Реализация в реальных проектах
Объект:
Алабяно-Балтийский тоннель
Конечный пользователь:
ГБУ «Гормост»
Подсистема:
«Автоматическая система контроля
параметров газовоздушной среды»
(АСКПГВ)
14 ПОСТАНОВКА ЦЕЛИ. ТЕКУЩЕЕ СОСТОЯНИЕ АСКПГВ
Задача: «Прогнозировать потребность в обслуживании приборов безопасности газовоздушной среды»
Прибор безопасности газовоздушной среды: газоанализатор оксида углерода (CO).
Предназначается для автоматических непрерывных измерений массовой концентрации оксида углерода в воздухе.
Актуальность задачи: у газоанализаторов есть определенный
срок выработки. Проверки датчиков производит
лаборатория. Датчики поверяются по графику.
Средняя наработка на отказ 10000 ч = 416 дней
Цель: автоматически оповещать персонал о аномалии в
измерениях приборов безопасности
АРМ СКО АРМ КПГВ*
* - автоматизированное рабочее место контроля параметров газовоздушной среды(АРМ КПГВ)
Модель для прогноза
15 ПРОВЕРКА СИСТЕМЫ ОКАД (TO BE)
Результаты прогнозирования при наложение исторических данных
поверх прогноза машинного обучения
1. Соответствие данных прогноза с
реальными значениями
2. Аномалия в измерениях прибором
Невязка линий аппроксимаций прогноза и реальных значений (по мере загрязнения мембран – показания уменьшаться на Δ)
16 ПЛАНИРУЕМЫЙ ЭФФЕКТ ОТ ВНЕДРЕНИЯ ОКАД
Эффекты для зданий и сооружений (при комплексном внедрении системы):
• Снижение стоимости операционных издержек компании на 20 %;
• Сокращение эксплуатационных расходов по приборам безопасности на 25 %;
• Повышение эффективности бизнес-процессов, за счет снижения сверхтиповых
объемов ремонтных работ;
• Повышение предсказуемости в обслуживании приборов для персонала на 100%;
• Повышение эффективности использования активов за счет сокращения количества
незапланированных простоев;
• Получение «адекватных» значений концентраций от приборов безопасности;
• Срок окупаемости проекта не более 5-ти лет
Спасибо за внимание!
ООО «Центр АПС» ГК «РТСофт»
Тел.: +7 (495) 967-15-05
Факс: +7 (495) 742-68-29
Сайт: www.shs-center.ru
E-mail: [email protected]
Центральный офис:
г. Москва, ул. Верхняя Первомайская, д. 51