Искусственный интеллект за здоровый образ жизни
Технологии Deep Learning для анализа производства
Основатель платформы
ВИН-КОД.РФ | Win-STO.RU
Болховский Дмитрий
о структуре рынка автозапчастей
Эту байку рассказал мне товарищ, который работает в одной известной IT-корпорации. Назовём его Максим. Макс занимается исследованиями в области AI. В качестве прикладной задачи ему предложили найти возможную причину брака, возникавшего периодически на одном из высокотехнологичных производств компании. Мол, потери большие, дефектов в оборудовании и материалах обнаружить не удалось. На вот, попробуй хоть ты найти какую-то зависимость.
А в машинном обучении есть такой метод «Random Forest» или «Случайный лес». Суть его — это классификация данных по набору признаков. Алгоритм сам определяет, какие признаки приводят к самой быстрой кластеризации данных, и в какой последовательности их выстроить.
В теории, вроде, всё просто. Берём табличные данные. В каждой строке есть фактический результат: «брак» или «норма». И признаки, с ним связанные. Например: объём производства, влажность, содержание кремния в сырье, сейсмоактивность и т.д. Куча признаков. И надо найти такой, который приводит к максимальному ветвлению результатов. Брак – слева, норма – справа
Алгоритм сам определяет, какие признаки приводят к наиболее быстрой кластеризации и в какой последовательности их выстроить
На практике, конечно, пришлось повозиться. Даже в супер-технологичной компании данные всегда разношерстные. Их надо вытягивать из разных источников, склеивать, чистить от мусора, и т.д. Наконец, стала вырисовываться какая-то зависимость. Нечёткая. Но примерно раз в месяц был явный всплеск брака.
Собственно, это резюме Макс по проекту и выдал. Если есть хоть какая-то корреляция между инцидентами, она лежит именно на временной шкале. А среди предоставленных признаков – причины брака точно нет. Более, сказать ничего не могу.
Ладно, не густо. Но и на том спасибо.
А через пару месяцев руководитель объявляет Максу на митинге: «Благодаря тебе, удалось устранить причину производственных потерь. Спасибо!».
В итоге... На основе Максова анализа, ещё раз проверили подозрительные даты. И нашли. Оказалось, что все они совпадали со сменами одного инженера, который отвечал за контрольное оборудование. К товарищу присмотрелись повнимательнее, и выяснили, что инженер запойный. Он, вроде, длительное время работал нормально. А потом приходил с похмелья, у чуть-чуть косячил. Не всегда. Соответственно, показатели уплывали, но нерегулярно. И просто так заметить эту зависимость было сложно. Ну, и коллеги, наверное, покрывали ))
Так искусственный интеллект помог вычислить пьяницу и бракодела, сэкономить кучу денег бизнесу, и нервов будущим клиентам.
Используем алгоритм Random Forest для решения задач в Automotive. Умеем строить деревья решений – искать причинно-следственные связи в больших данных. Например, какая-то позиция у производителя деталей подвески стала гораздо хуже продаваться. Почему? Обычно ищут причину в цене и конкурентах. Но может быть иная ситуация: раньше в комплект шаровой входил пыльник, а потом его по какой-то причине убрали. А пыльник при установке нужен. Мы можем найти точку ветвления и вычислить причину падения спроса.
# RandomForest #DeepLearning #Aftermarket_DATA #MasterMAX
Подробный аналитический отчёт и исследования рынка автокомпонентов вы можете заказать, по адресу:
Работаем с большими данными, используем стат-анализ, находим сложные зависимости, строим математические модели. Умеем работать с сильно зашумлённым материалом. Опишите вашу задачу, обсудим!
Aftermarket-DATA© – это аналитика рынка для производителей и дистрибьюторов автозапчастей. Статистика вторичного рынка запчастей (aftermarket) России. Разрезы: марки автомобилей, регионы, бренды, товарные группы, OE – номера, аналоги, оптовые и розничные цены. Артикулы с привязкой к автопарку. Графические итоги и сводки. Кросс-брендовая конкуренция, цены, ассортимент поставщиков. Продукт платформы ВИН-КОД.РФ.
