Fakt oder Fiktion:Welche Geschichte erzählen Ihnen Ihre Daten?

30.000 v. Chr. malten unsere Vorfahren Geschichten über ihr tägliches Leben an Höhlenwände, und um 700 v. Chr. hatten wir unsere erste gedruckte Geschichte – Gilgamesch. Blicken Sie vorwärts ins Jahr 2021, und wir haben bereits seit mehr als einem halben Jahrzehnt gemeinsam mit KI Geschichten geschrieben. Aber wenn genaue Business Intelligence an der Tagesordnung ist, möchten Unternehmen sicher sein, dass ihre Systeme für künstliche Intelligenz und maschinelles Lernen sich keine künstlerische Freiheit nehmen und eine Lügengeschichte ausspucken.

Dies gilt insbesondere jetzt, da die KI- und ML-gestützte Entscheidungsfindung auf dem bisher höchsten Stand der Akzeptanz ist und selbst die widerstrebendsten Führungskräfte die immensen Vorteile erkennen, die sich aus einem datenzentrierten Strategieansatz ergeben. Da das Vertrauen in das Versprechen von KI und ML wächst, ist Genauigkeit entscheidend. Die Frage bleibt für viele im Kopf:„Wie können wir feststellen, ob unsere Daten uns die ganze Geschichte erzählen – und zwar eine, die auf Fakten basiert? Was müssen wir wissen, um unseren Modellen zu vertrauen?“

Blitzsaubere Daten

Wenn ein maschinelles Lernsystem eine ungenaue Vorhersage macht, können wir auf einen Schuldigen schauen – die Daten. Abgesehen von Black Swan-Ereignissen sind Daten der Anfang, die Mitte und das Ende eines jeden Vorhersagesystems. Es könnte sein, dass einfach nicht genügend Daten vorhanden sind, um das System zuverlässig zu trainieren oder seine Vorhersagen darauf zu stützen. In diesem Fall können mehr Datenpunkte das Problem lösen. Normalerweise würde so etwas in den frühen Stadien der Ideenfindung für ein Modell und mit ziemlicher Sicherheit vor dem Einsatz abgefangen, zumindest insofern, um völlig ungenaue Vorhersagen zu verhindern. Der wahrscheinlichere Schuldige ist jedoch, dass die Startdaten nicht „sauber“ genug waren. Sauber genug ist relativ. Die Datenanforderungen für einige Projekte sind vergleichbar mit der Frage:„Sind meine Turnschuhe sauber genug, um in den Supermarkt zu gehen?“ Andere, insbesondere in kritischen Systemen und solchen, bei denen es um Leben, Sicherheit und Wohlbefinden geht, sind eher Szenarien wie „Staubfrei, Hochglanz, Paradeglanz, in dem Sie Ihre Zähne prüfen könnten“, wenn es darum geht, wie sauber die Daten sein müssen um die Aufgabe zuverlässig (und ethisch einwandfrei) auszuführen.

Was macht Daten schmutzig? Die Kurzgeschichte enthält ungenaue oder verzerrte Informationen.

Defekte Tags, defekte Modelle

Dies können falsch getaggte Daten, Daten mit falschen Informationen im falschen Feld oder in einem falschen Format sein, z. 27. Dezember 2015 statt 27.12.15 oder 27.12.2015. Während die erste Option möglicherweise einfach einen Fehler auslöst oder ignoriert wird, kann das Vertauschen der letzten beiden Datumsformate schwerwiegende Auswirkungen auf die Genauigkeit haben. Und Datumsangaben sind nicht alles, was ungültige Formatierungen beeinflussen können – Zeiten, SKUs, Text, wo Zahlen sein sollten, Zahlen, wo Text sein sollte, und all die speziellen Datenströme, die aus Produktionsanlagen kommen, wie Überschreibungen, Alarme, Lasten, Geschwindigkeiten, Feeds usw. Der Punkt ist, dass Daten ohne eine zuverlässige und konsistente Struktur unordentlich werden und zu ungenauen Erkenntnissen führen können.

Mit MachineMetrics können Unternehmen von unserer automatisierten Datentransformations-Engine profitieren, die eine Vielzahl von Datentypen für eine einfache Analyse standardisiert und formatiert. Es kann benutzerdefinierte Sensorwerte, Maschinenstatus, Modi, Alarme, Außerkraftsetzungen, Last, Geschwindigkeiten, Vorschübe, PMC-Parameter, Diagnosen und mehr verarbeiten.

Können Sie Ihren Quellen vertrauen?

Es ist wichtig, auch die Richtigkeit und Genauigkeit aller verwendeten Datenquellen zu berücksichtigen, insbesondere wenn es sich um menschliche Quellen handelt. Menschen sind nicht die genauesten Kreaturen. Wir runden und vergessen und verfälschen die Zahlen. Wir werden faul oder müde oder hungrig oder abgelenkt. Aufgrund der Natur der Verwendung menschlicher Datenquellen werden Daten auf die eine oder andere Weise schmutzig sein. Hier ist es wichtig, auf Toleranzen zu achten. Beispielsweise könnten Maschinenbediener Daten über den Zustand der von ihnen verwendeten Ausrüstung hinzufügen. Bei der Angabe von Ausfallzeiten können die aufgeführten Gründe zutreffend sein, während es sich bei der Zeit eher um eine Schätzung handelt. Dies führt zu einem weniger genauen Vorhersagesystem, da die von ihm ausgegebenen Antworten auch näher an Schätzungen liegen, als dies bei Bereitstellung wirklich genauer Daten der Fall gewesen wäre.

Dies ist ein weiteres Szenario, bei dem realistische Toleranzen berücksichtigt werden sollten. Sekunden- oder Halbstundenintervalle? Im Fall der Maschinendatenbeschaffung könnten Sie für einige Anwendungsfälle sogar Nanosekunden oder weniger in Betracht ziehen. Unabhängig davon, welche Toleranz für das Projekt als angemessen erachtet wird, ist es wichtig, diese Toleranz durchzusetzen und sicherzustellen, dass alle Dateneingaben in das System innerhalb dieser Genauigkeitsparameter liegen.

Der Hochfrequenz-Datenadapter von MachineMetrics erfasst Maschinendaten mit 1 kHz (im Vergleich zu standardmäßigen 1 Hz – also 1000-mal schneller), sodass Sie nichts verpassen, ganz gleich, welches Maß an Genauigkeit Ihre Anwendung erfordert.

Auch hier sollten Unternehmen nach Bias-Potential suchen. Unterlassungslügen führen immer noch zu märchenhaften Vorhersagen. Sammeln Ihre Datenquellen breit genug, um das Gesamtbild zu zeigen, oder neigen sie aufgrund der verwendeten Erhebungsmethoden zu Verzerrungen? Wenn Sie zum Beispiel versuchen, das durchschnittliche Gehalt eines Produktionsmitarbeiters zu ermitteln, aber alle Befragten waren Männer, werden Sie wahrscheinlich eine verzerrte Zahl erhalten, verglichen mit einer Befragung sowohl von Männern als auch von Frauen, um ein klareres und zu erhalten genaueres Bild. Die aktive Suche nach möglichen Versehen wie diesem kann zu saubereren Daten und genaueren Vorhersagen führen.

Kontext und Komplexität

Je komplexer ein System ist, desto mehr Spielraum gibt es für Ungenauigkeiten, Inkonsistenzen, Risiken und allgemeine Zusammenbrüche in den Daten und der Logik, die ihm zugrunde liegen, wenn Sie versuchen, es in etwas zu übersetzen, das für die Analyse verwendet werden kann. Wie viele Schritte umfasst der Prozess, in dem Sie versuchen, Daten zu sammeln? Verfügen Sie über das Branchenwissen, um den Rohdaten einen Kontext zu geben? Zum Beispiel ist eine Maschine, die innerhalb von Minuten mehrmals „ausfällt“, mit dazwischen liegender erfolgreicher Produktion, weniger wahrscheinlich ein echter Produktionslauf, sondern ein Hinweis auf Tests, um sicherzustellen, dass das Problem, das ursprünglich die Ausfallzeit verursacht hat, vollständig behoben, neu kalibriert und bereit, echt fortzufahren Produktion. Wenn Sie diese Zahlen jedoch so im Datensatz belassen, wie sie eingegeben wurden, kann dies zu schwerwiegenden Ungenauigkeiten führen, die für das ungeschulte Auge möglicherweise schwer zu erkennen sind.

Das bedeutet nicht, dass Ihr Data-Science-Team der ultimative Experte für alles in Ihrer Branche sein muss. Es bedeutet jedoch, Kanäle zu haben, wo die Experten können Kontext hinzufügen ist entscheidend. Beispielsweise werden Maschinenbediener mit MachineMetrics in der Werkstatt direkt an ihren Maschinen mit einem Tablet-Gerät ausgestattet. Sie können den numerischen Daten schnell und einfach einen menschlichen Kontext hinzufügen, um die Genauigkeit in der Analysephase zu erhöhen. Ohne diese Art von Kontextkanal kann es zu einem Ratespiel werden, um zu bestimmen, welche Zahlen in den Pot geworfen und welche verworfen werden sollen.

Verlustfreie Transformationen

Wenn Sie eine Sache in eine andere umwandeln, gibt es im Grunde immer ein gewisses Maß an Verlust, egal wie klein – ob Erz in Stahl, Baumwolle in Textilien oder Daten in ein Analyseformat umgewandelt werden, es ist wichtig zu bestimmen, wie viel Verlust akzeptabel ist und wie Vieles ist vermeidbar. Mit sauberen, genauen Daten zu beginnen, ist ein wichtiger erster Schritt in einer sauberen und genauen Analyse. Über diese Phase hinaus müssen Sie überlegen, welche Tools Sie verwenden und für welche Anwendungen, die Wahrscheinlichkeit eines Verlusts der Wiedergabetreue und inwieweit dies akzeptabel (oder irrelevant) ist. Dies führt direkt zurück zu dem Verständnis, was Sie mit Ihren Daten und mit Ihren Modellen zu tun versuchen – welche Probleme Sie zu lösen versuchen – und das Maß an Genauigkeit, das erforderlich ist, um sie effektiv zu lösen.

Bei MachineMetrics stellen wir sicher, dass Ihre Daten Ihnen die ganze Wahrheit und nichts als geben. Wir sind Branchenexperten, die die Tiefe, Breite und Art der Daten verstehen, die Sie benötigen, um Ihre dringendsten Probleme zu lösen – ob Maschinenstillstand, Optimierung der Leistung oder eine Vielzahl anderer Optionen – mit einem datengestützten Ansatz. Wir verwenden einfache, leicht verdauliche Formate zum Teilen und Analysieren, die ihre Integrität und Genauigkeit auch in Echtzeit bewahren. MachineMetrics vereinfacht die Aufgabe, Fertigungsdaten mit realen Entscheidungen durch einen bewährten Prozess zu integrieren, der in einfacher Sprache und mit Tools implementiert ist, die so einfach sind, dass selbst technisch nicht versierte Personen sie leicht selbst installieren können, für einen Service, der das ermöglicht hat unsere Kunden in weniger als einer Woche zum ROI geführt. Um zu sehen, welche Arten von Fragen MachineMetrics für Ihr Unternehmen beantworten kann, oder um eine Demo zu buchen, kontaktieren Sie uns jederzeit hier.