Machine Learning dla branży farmaceutycznej | Część 3
Przygotuj się na Cyfrową Transformację
Nasz poprzedni post skupiał się na tym, jak podjąć pierwsze kroki w rozwoju wysokiej jakości rozwiązania prognostycznego z pomocą proof of concept. W ostatniej części serii wcielimy się w rolę przewodnika i pomożemy Ci postawić pierwsze kroki w drodze do wdrożenia rozwiązania prognostycznego w Twojej firmie. Skoncentrujemy się na podstawowych elementach wymaganych przy wdrożeniu rozwiązania prognostycznego, na tym, w jaki sposób proof of concept może pomóc w rozpoczęciu prac oraz opowiemy, jakie komponenty systemu są niezbędne z punktu widzenia architektury systemowej. Wyjaśnimy również, jak zoptymalizować koncepcję, w tym strategię ciągłego doskonalenia, aby ostatecznie można było przekształcić ją w skuteczne rozwiązanie prognostyczne w Twojej firmie.
Dowiedz się, czym dysponujesz
W pierwszej części tej serii ustaliliśmy, jak rozwiązania Machine Learning korzystają ze zmiennych wejściowych i zmiennych wyjściowych. Przy pomocy różnych technik modelowania statystycznego można wygenerować modele, które uchwycą związek między tymi zmiennymi. Rozumiejąc, w jaki sposób dane wejściowe wpływają na wyniki, model może ostatecznie przewidzieć, jaki będzie wynik na podstawie tych danych. Im większy będzie ostatecznie zbiór danych wejściowych i wyników, tym lepsze będzie przewidywanie (tak w skrócie wygląda Machine Learning).
Logicznie rzecz biorąc, dane są tutaj kluczowe. Jeśli masz domenę biznesową, która zbiera dane wejściowe i wyniki, jak np. rozwiązanie, o którym wspomnieliśmy w poprzednim blogu, może to być potencjalny obszar do zbadania. Najlepszymi przykładami źródeł danych są na przykład informacje z czujników zestawione z danymi o awarii systemu EAM (np. używane w zarządzaniu prognozowaniem) lub informacje o zleceniach sprzedaży czy dane specyficzne dla klienta zestawione z wynikami sprzedaży z systemu ERP (dla celów marketingowych). Dlatego też, wewnętrzne źródła danych są idealnym miejscem, by zacząć.
Ponadto dane te mogą być łączone z danymi pochodzącymi ze źródeł zewnętrznych, takich jak informacje rynkowe, media społecznościowe lub internetowe źródła danych (prognozy pogody, giełdy papierów wartościowych itp.) w celu wzbogacenia danych wejściowych lub wyników. Gdy wszystkie dane zostaną zebrane, można rozpocząć analizę. Pamiętaj, by zanadto ich nie rozbudowywać. W proof of concept należy skupić się tylko na określonym wycinku badanego obszaru, zanim rozpoczniesz skalowanie do pełnej aplikacji. Na początku można wziąć pod uwagę np. pojedynczą linię produkcyjną, obszar klienta lub domenę próbkowania, aby sprawdzić, czy możliwe jest ustalenie relacji między zmiennymi.
Optymalizuj dane
Po zidentyfikowaniu potencjalnie interesujących źródeł danych do utworzenia modelu, kolejnym krokiem jest ich analiza i optymalizacja. Po pierwsze, zebrane dane muszą zostać oczyszczone z wartości skrajnych lub niegodnych zaufania, które zawsze pojawiają się w większych zbiorach danych. W przeciwnym razie interpretacja wyników może znacznie odbiegać od stanu faktycznego. Ponadto, zwłaszcza w szeregach czasowych, ważne jest, aby dane użyteczne były dostępne po obu stronach – wejścia i wyjścia, w tym samym okresie, przy jednoczesnym uwzględnieniu rzeczywistego opóźnienia między nimi.
Po wykonaniu tych kroków, możesz rozpocząć wstępną analizę statystyczną, a stosując techniki takie jak regresja na wszystkich zmiennych, możesz określić, które związki są istotne. Może to pomóc w rozpoczęciu i sprawdzeniu, czy istnieją jakieś przydatne zależności przyczynowo skutkowe. Mogą one być bezpośrednio zaimplementowane w twoim proof of concept. Typowymi narzędziami do tego celu są Python i aplikacje wykorzystujące język programowania R (takie jak IBM SPSS).
Jednakże nigdy nie bierz tych zależności za pewnik. Potrzebujesz również teoretycznej (lub logicznej) indukcji w celu potwierdzenia, że te relacje są logiczne w rzeczywistości. Wykorzystaj do tego swoich wewnętrznych ekspertów, którzy albo wiedzą, co się dzieje, albo są w stanie znaleźć literaturę wspierającą dla relacji, które znajdziesz. Najbardziej znany przykład statystyczny, gdzie dane dotyczące sprzedaży lodów zestawiono ze wskaźnikiem zabójstw i stworzono ciąg przyczynowo-skutkowy doskonale pokazuje, że logika jest potrzebna by weryfikować, że pewne rzeczy nie mają ze sobą nic wspólnego. W tym przypadku temperatura na zewnątrz była rzeczywistą zmienną, która wpływała zarówno na sprzedaż lodów, jak i na wskaźnik zabójstw, które nie były jednak powiązane ze sobą nawzajem.
Możesz również skorzystać z ekspertyzy domenowej i/lub badań (literatura), aby znaleźć związki pomiędzy Twoimi danymi wejściowymi i zmiennymi wynikowymi zawierającymi dane, których nie posiadasz. Może to prowadzić do wniosku, że w Twoim obecnym zbiorze danych brakuje wiarygodnych źródeł. Przygotuj się na to i, jeśli to możliwe, zacznij zbierać te dane tak szybko, jak to możliwe. Im większy zbiór danych, tym bardziej trafne są twoje wyniki i bardziej trafna koncepcja.
Dostosuj system
W przypadku Machine Learning kluczowa jest architektura. Musisz połączyć wszystkie źródła danych i uruchomić działania w oparciu o wyniki. Zmienne wejściowe mogą być dostarczane z wielu różnych źródeł: bezpośrednie odczyty z czujników z systemów SCADA, dane ERP z systemu SAP czy źródła pochodzące z sieci to tylko jedne z wielu przykładów. W związku z tym potrzebny jest otwarty komponent centralny, który pozwoli nie tylko na podłączenie tych źródeł, ale także będzie w stanie uruchomić Twoje rozwiązanie Machine Learning. Poznaj SAP Cloud Platform.
Wielu dużych graczy z branży IT oferuje platformy chmurowe, które zawierają różne rodzaje połączeń, w tym powiązane usługi, aby z powodzeniem przetwarzać Twoje dane. Swoją platformę oferuje SAP (SAP Cloud Platform – SCP), Google czy AWS. Każda z nich ma swoje zalety, takie jak bezpieczeństwo i łączność z innymi systemami. Należy pamiętać, że powinno to iść w parze z odpowiednim przechowywaniem danych, w tym z wymaganymi technikami ich składowania i pobierania. Platformy takie jak Hadoop mogą pomóc Ci w dostarczeniu właściwych danych w momencie, gdy ich potrzebujesz, zarówno w postaci surowych danych wejściowych jak i już przetworzonych (np. danych zagregowanych).
Po prawidłowym wprowadzeniu zmiennych wejściowych można skonfigurować komponent AI. Każda z wyżej wymienionych platform chmurowych zapewnia usługę AI. SAP Leonardo, AWS Sagemaker i platforma Google AI są idealnymi przykładami takich komponentów. Za ich pomocą możesz stworzyć modele operacyjne dla wcześniej zidentyfikowanych relacji, działających na Twojej chmurowej platformie. Niektóre z nich pozwalają nawet na identyfikację relacji w ramach pakietu aplikacji AI.
Zacznij korzystać z rozwiązania
Gdy dane są wprowadzone, a modele gotowe, można rozpocząć prognozowanie. Zasadniczo, daje to możliwość uzyskania wyniku statystycznego w postaci rezultatu procentowego, opartego na danych wejściowych, które przepływają przez model. W związku z tym możesz działać na podstawie tych wyników ręcznie. Wyniki te mogą jednak również służyć jako dane wejściowe i bodziec dający start do działania systemów podłączonych do chmury obliczeniowej, takich jak wysłanie powiadomienia o konserwacji poprzez system zarządzania predykcyjnego lub zwiększenie tolerancji dla odchyleń jakości w systemie zarządzania jakością, jak opisaliśmy to przy okazji przedstawienia naszego Quality Management System.
Warto mieć na uwadze, że wyniki Twojego modelu mogą być trochę rozczarowujące. Twoje prognozy mogą nie być tak dobre, jak się spodziewałeś, jednak posiadanie prawidłowo określonych relacji może być podstawą do zmiany modelu lub wdrożenia pętli ciągłego doskonalenia. Może to być punkt wyjścia do pomiaru dodatkowych zmiennych w innych miejscach w firmie, w innych odstępach czasu lub przy użyciu innych metod. Poszukuj również usprawnień technologicznych, takich jak nowe typy czujników lub nowe usługi oferowane przez dostawcę oprogramowania AI, np. rozszerzenie możliwości aparatów cyfrowych przez dodanie funkcji rozpoznawania twarzy.
Kiedy Twoje wyniki są satysfakcjonujące, Twój proof of concept został potwierdzony i jesteś gotowy do skalowania. Na podstawie wyników potwierdzających proof of concept możesz oszacować koszty, czas wdrożenia i ewentualne korzyści biznesowe, jakie przyniesie wdrożenie Sztucznej Inteligencji. Dzięki temu management Twojej firmy ma szansę lepiej zrozumieć korzyści, jakie rozwiązanie AI przyniesie organizacji.
Kolejny krok: Analityka preskryptywna
Tam, gdzie analiza predykcyjna koncentruje się na możliwości wystąpienia zdarzenia wynikowego, analiza preskryptywna dostarcza dodatkowo informacji o możliwych działaniach, które należy podjąć. Oferuje ona przekrój możliwych opcji działania na podstawie poczynionych prognoz, a także informuje o ich konsekwencjach, co pozwala na decyzję, którą ścieżkę wybrać. Pomaga to zbudować prawdziwie Inteligentne Przedsiębiorstwo, w którym odpowiedzialni menedżerowie mają wszystkie działania w zasięgu ręki. Zamiast działania na zasadzie reakcji, można wywierać proaktywny wpływ, aby zmienić kierunek działań i osiągać korzystniejsze rezultaty.
W tym miejscu nasza blogowa seria dobiega końca. Wspólnie wyruszyliśmy w podróż przez podstawy sztucznej inteligencji, dając Ci wgląd w to, jak działamy, wykorzystując proof of concept, aby wspierać naszych klientów. Dostarczyliśmy Ci niezbędnych wskazówek, abyś mógł wykonać pierwszy krok w kierunku AI. Mamy nadzieję, że ta krótka seria dostarczyła Ci wiedzy i rozbudziła zainteresowanie nowymi technologiami.
Zachęcamy do kontaktu z nami. Jesteśmy otwarci na wsparcie Twoich pomysłów w obszarze AI i wspólne dopracowanie wizji idealnej dla Twojej firmy. Połączenie naszego doświadczenia, zarówno w dziedzinie SAP, jak i Life Science, pozwala nam wspierać Cię w zdobywaniu nowych, ekscytujących możliwości technologicznych.
Dowiedz się więcej o branży Life Science
Powiązane artykuły:
Machine Learning dla branży farmaceutycznej | Część 1