데이터는 기계 및 생산 설비에서 지속적으로 생성됩니다. 이 데이터를 혁신으로 변신시키는 데 성공하는 기업은 결정적인 경쟁력 이점을 얻게 됩니다. 사용자 친화적 소프트웨어로 바이드뮬러는 기계 제작사와 제조 회사에서 사용할 수있는 인공 지능 기법을 만들고 있습니다.
산업 분석을 통한 기계 및 공정 데이터 분석에는 이상을 탐지하거나 미래의 기계 동작을 예측할 수 있는 복잡한 모델이 사용됩니다. 인공지능(AI) 방식과 머신 러닝(ML)을 활용해 원시 데이터에서 파생된 기능을 이용해 기존에 알려지지 않았던 측정값 간 관계를 밝힙니다.
종합적인 노하우 필요
필요한 정보는 거의 모든 회사에서 사용할 수 있습니다. 의미 있는 분석 모델을 개발할 때 특히 중견기업은 여전히 데이터 과학자라는 외부 지원에 의존하는 경우가 많습니다. 바이드뮬러는 데이터 과학자라는 자원을 사용하지 않고도 작업할 수 있는 획기적인 솔루션을 개발했습니다. 최종 사용자의 긴밀한 협력 관계를 통해 데이터 전문가들은 측정값들의 상관관계를 규명하고 초기 모델을 훈련시킵니다. 성공적으로 적용한 후, 초기 모델은 반복해서 데이터를 받아 기계의 전체 수명 주기에 걸쳐 더 발전합니다. 따라서 시간이 지남에 따라 정보의 품질이 향상됩니다.
배우는 머신 러닝
많은 기계 제조사와 제조 회사는 지금까지 사용 가능한 기계 학습 도구를 독립적으로 사용할 수 없었는데, 그 이유는 작동이 분석 전문가의 데이터 기반 활동에 최적화되었기 때문입니다. 기업들은 막대한 돈을 들여 기존 직원들을 훈련시키거나 데이터 과학자를 직접 고용할 수 있습니다. 이러한 방식에는 어느 정도 한계가 있을 수 밖에 없기 때문에 산업 분야에 인공 지능이 느리게 확산되고 있습니다.
여기에 대한 다른 대안은 통계적 교육 없이 사용자가 분석 모델을 이해하고 생성할 수 있는 사용자 친화적 소프트웨어 솔루션을 개발하는 것입니다. 바이드뮬러의 산업 분석 사업부는 자동화 머신 러닝 소프트웨어로 이 아이디어를 실행에 옮겼습니다. 이 애플리케이션 명칭 자체에서 모델이 크게 자동으로 개발되고 있다는 것을 함축하고 있습니다.
“핀테크, 뱅킹, 마케팅 분야에서도 현재 유사한 애플리케이션이 사용되고 있습니다. 그러나 기존 솔루션은 자동화 산업에서 관련 솔루션을 지원하지 않기 때문에 기계 및 설비 엔지니어링에 적합한 데이터 유형이 아닙니다. 여기에는 항상 이상적인 데이터베이스가 필요합니다.”라고 BU Industrial Analytics의 Carlos Gatica 제품 매니저가 설명합니다. “또한 산업 응용 분야에 중요한 사용자의 도메인 지식을 통합할 수 있는 역량을 제공하지 않습니다.”
자동화 기계 학습 소프트웨어를 위해 바이드뮬러의 분석 전문가들은 도메인 전문가의 데이터와 정보를 알고리즘과 결합하여 자동으로 적절한 모델을 생성합니다. 다음 작업 단계에서는 이상 감지를 예시로 이용하여 모델 생성 과정을 설명합니다.
1. 훈련 데이터 선택
도메인 전문가는 기계 또는 설비의 정상적인 동작을 학습하는 데 어떤 데이터 세트를 사용해야 하는지 결정합니다. 이 목적으로 먼저 데이터의 정보 내용 평가에 있어 사용자를 지원하는 원시 데이터의 개요를 만듭니다. 측정값의 준비는 완전히 자동으로 이루어집니다.
2. 기능 엔지니어링
원시 데이터가 충분하지 않으면, 이를 기반으로 추가적인 정보를 생성할 수 있습니다. 사용자는 자신의 도메인 지식을 사용하여 새로운 기능을 만들 수 있습니다. 예를 들어, 개별 상태를 표시하는 것 대신에 온도의 변화 과정을 설명할 수 있습니다. 이러한 기능을 사용하면 기계 상태가 종종 원시 데이터를 이용하는 것보다 더 잘 평가될 수 있습니다.
3. 기계 동작 라벨링
사용자는 라벨을 통해 정상(초록색) 또는 바람직하지 않은(빨간색) 행동이 나타나는 데이터에 영역을 표시합니다. 이렇게 사용자는 자신의 분야의 지식을 가지고 훈련 데이터의 정보 내용을 향상시킬 수 있습니다. 보조 시스템은 데이터 세트의 유사한 상황을 직접 강조 표시하여 라벨링 프로세스를 지원합니다.
4. 모델 훈련
라벨링된 데이터 세트들은 모델들로 변환되고 다양한 ML 방법들로 트레이닝됩니다. 이렇게 완전 자동화된 공정은 대체 모델 목록을 만들고, 이 목록에는 결과의 품질, 실행 시간 및 트레이닝 기간에 대한 정보가 제공됩니다. 이른바 이상치 점수 플롯은 모델의 결과를 바로 표시하여 전문가가 직접 모델들의 성능을 비교할 수 있도록 합니다. 만약 원하는 출력 모델이 여전히 달성되지 않은 경우, 사용자는 다시 모델의 기능과 라벨을 편집할 수 있습니다. 이 모델은 그 후 대상 시스템의 아키텍처로 직접 전송될 수 있습니다.
AI 애플리케이션 확장
Paiz는 "자동화된 기계 학습 소프트웨어를 통해 기계 제작사와 제조 회사는 스스로 데이터 전문가가 되지 않고도 인공 지능과 기계 학습의 이점을 독립적으로 활용할 수 있는 기회를 갖게 되었습니다.”라고 언급했습니다. "범용 애플리케이션은 초기 모델 생성 및 추가 개발 모두에서 사용자를 지원합니다. 이런 식으로 기업은 데이터 과학자라는 자원에 더 많이 의존하지 않아도 되며 공정과 기계 지식을 외부 파트너와 공유할 필요가 없습니다.”