Dataiku : Essilor 利用異源大數據改進製造流程
內容目錄
依視路是領先全球的眼科光學公司,依視路設計、製造和銷售各種鏡片,以改善和保護視力,實踐改善視力改善生活的使命。依視路在全球擁有67,000名員工、34家工廠、481個實驗室和磨邊設施,以及遍布全球的四個研究發展中心。
預測性維護,如今已經廣泛的被認為是持有大量資產企業的下一個目標,利用機器學習去控制不斷增加的設備和維護成本。預測性維護從多種形式及來源擷取並結合數據,再利用機器學習在設備真的損壞前就提早預測。
許多企業早已使用不間斷的監控技術,例如物聯網(IoT)-這是好的開始,但僅僅監控不斷輸出的各式各樣數據並不是關鍵(這也是多數企業正在做的),而是進一步使用先進的演算法及機器學習從實時洞察中採取行動。
依視路的核心業務是生產眼科鏡片,依視路致力於確保工廠高效、創新並遵守高品質標準,他們擁有全球工程(GE)服務,負責生產流程的實施和標準化。鏡片的製造有許多步驟,包含多種不同的技術操作。其中表面處理是最複雜最精細的,是攸關鏡片光學功能的關鍵步驟,該步驟也負責每個人的鏡片需求及參數,如瞳孔距離、框架的傾斜等。
他們的目標之一是找到更好地滿足消費者和需求的方法,GE團隊面臨改善表面處理的流程和性能的挑戰,他們必須使用不斷增加的數據來顯著提高生產。因此,他們需要一種可擴展的方法來處理大量的異源數據集。
依視路選擇了Dataiku數據科學工作室(DSS)幫助他們有效地處理來自表面處理儀器的大量數據,因為:
•Dataiku的設置和執行非常簡單,可以讓他們快速入門。•團隊需要一個從頭到尾的工具,使他們能夠探索、分析和創建預測模型,並且每個人都可以使用,從專業專家到機器操作員、資料科學家和IT人員,以及介於兩者之間的每個人。
•來自表面處理儀器的數據有各種格式,有些數據集不可靠或不完整。Dataiku使他們能夠有效地管理這些變化。
•Dataiku允許他們快速測試和迭代用例,以更快地獲得解決方案。
•團隊希望能夠靈活地選擇能讓他們更有效率的操作方式,使用代碼或可點擊的視覺化介面。
依視路的GE團隊能夠使用Dataiku執行預測性維護用例,向操作員指示更換耗材組件的正確時間,以便優化其使用壽命,同時保證生產品質。
除了使用Dataiku預測完整使用耗材的最佳條件外,GE團隊還利用Dataiku的Web應用程序功能提供可視化決策工具,幫助使用者在必須更換耗材時做出一致的選擇。此外,GE團隊通過以下方式為依視路提供價值:
•促進數據的使用以提供企業的其他部門洞見 – 國際上有許多團隊正在使用Dataiku。
•鼓勵跨團隊協作,此案例即是GE部門、工廠和IT團隊之間的協作工作。
•獲得數據科學的專用資源,這將使他們能夠繼續進行未來的改進。
依視路的下一步將是在生產中測試他們的機器學習模型,在多個實驗室中部署儀表板,並使用圖像及深度學習繼續改進表面製作的流程。
使用 Dataiku,會有一個視覺化流程顯示資料流程的每個步驟,你可以向利害關係人解釋這些資料是如何轉換與使用,這有助於他們容易理解分析背後的步驟,從而讓他們對分析結果更有信心。
Dataiku 消除了工作中許多繁瑣的部分,並允許我專注於我想要製作的東西,而不是專注於實際操作。在不用切換平台的情況下,每一步都可以使用內建的視覺化工具,這讓我可以輕鬆地查詢我的數據,得到影響決策的洞見。我能夠訓練出與我自己編碼的模型一樣準確的模型,但我能夠使用豐富的分析工具獲得更高的透明度和可重複性。總而言之,Dataiku 讓我在相同的時間內做更多事情。它在不犧牲準確性或控制權的情況下減少了資料科學的許多繁瑣工作。它可以組織所有內容,讓我對數據和模型有了前所未有的洞察力。
LINK Mobility選擇Dataiku,因為它能夠以少量的人力快速為客戶部署監控服務帶來收益。通過在Hadoop上使用Dataiku,LINK Mobility現在能夠輕鬆處理大量不同類型的數據。
你可能早就體驗過我們探討的這些浪費大量時間的情況,並感受到它們對整體工作效率有多麼顯著的影響—更不用說工作的心情了!因此,你應該很容易想像從頭到尾都使用單一、整合的平台進行數據分析帶來的好處。Dataiku 可幫助你自動化流程,例如存取和準備數據、記錄模型設置和性能指標,以進行比較和解釋模型結果、記錄流程以及視覺化洞見——全部都集中在一個地方完成。
Dataiku的產品特色使BGL BNP Paribas的生產環境轉換得更加流暢,因此詐欺預測專案開始後很快就能夠得到成果。這體現了Dataiku的快速建模能力。除此之外,由於Dataiku是適用於所有人的工具而非僅服務資料科學家或分析師,因此整家公司都有了事先用數據分析及機器學習的轉變。
Dataiku 商務解決方案團隊的目標是為反詐欺團隊,提供單一的平台來管理商業邏輯以及機器學習 (ML) 方法。該團隊創建了一個完整的解決方案,利用沙盒實驗確保採用 ML 的效益,而不會影響既有方法的成果。