Варианты использования машинного обучения в энергетике

Варианты использования машинного обучения в промышленности

Несколько моментов, которые следует учитывать:

  1. Пространство аналитики больших данных шумно. Термины «искусственные нейронные сети», «машинное обучение», «глубокое обучение», «искусственный интеллект» и т. д. используются свободно/взаимозаменяемо. Исследования направлены на создание системы с возможностями, подобными человеческому мозгу, но большинству предприятий такие возможности не нужны сразу, чтобы извлечь выгоду из своих данных.
  2. Вам нужно всего 2 точки данных, чтобы описать линию. Вы можете хранить миллион точек данных о линии и использовать чрезмерную вычислительную мощность, чтобы найти наклон, потому что память и вычисления дешевы. Но вам нужно только 2 точки данных. Машинное обучение — это средство для достижения конечной цели решения бизнес-задач. Корпоративные клиенты должны тратить время на задавание правильных вопросов и отдавать приоритет тем из них, которые имеют ценность для бизнеса. Предприятиям следует избегать траты времени и усилий на объединение наборов данных и реализацию проекта больших данных просто ради этого.
  3. В любом проекте Data Science есть 3 основных этапа. Подготовка данных (включая сбор, интеграцию и подготовку), построение модели (включая визуализацию и другие инструменты исследования и анализа данных) и развертывание модели.
  4. Данные — это самый ценный актив и единственное устойчивое конкурентное преимущество. Модели бесполезны, если они не проверены на реальных корпоративных данных. Вторым наиболее ценным активом является умение использовать эти данные.

Еще один вопрос, который часто возникает у предприятий, рассматривающих возможность использования технологий машинного обучения: должны ли мы покупать горизонтальные технологические платформы или же нам следует покупать продукт/приложение, которое решает болевые точки в моей отрасли (и смежных отраслях)?

Чтобы ответить на этот вопрос, мы должны посмотреть на зрелость рынка ML/AI и насколько искушен покупатель (есть ли у него надежная команда по анализу данных, выполняли ли они ранее проекты по работе с большими данными и т. д.).

Чтобы упростить задачу, давайте взглянем на цепочку создания стоимости солнечных модулей:

1. Конечный покупатель — жилой дом или коммерческое здание хочет купить солнечный модуль или солнечную систему.

2. Что эти клиенты будут делать с поликремнием, пластиной или одиночной ячейкой?

3. Если покупатель является системным интегратором и заинтересован в контроле над цепочкой создания стоимости, он может подумать об обратной интеграции, чтобы хорошо конкурировать. НО, если рынок только зарождается и нет покупателей, покупающих солнечные модули, то в краткосрочной перспективе бесполезно думать о поликремнии или пластинах.

4. В зарождающейся отрасли, такой как искусственный интеллект, конечные клиенты в первую очередь ищут новые возможности или решают бизнес-проблемы, т. е. могут ли они лучше спрогнозировать X — уменьшить отток клиентов, обнаружить мошенничество, предотвратить сбои и т. д. Таким образом, приложения стоят на первом месте, чтобы продемонстрировать ценностное предложение технологии.

5. Поэтому рекомендуется сначала думать о приложениях в краткосрочной перспективе, а затем о базовых технологиях в цепочке создания стоимости в долгосрочной перспективе. Эта рекомендация применима не ко всем типам организаций. Некоторые из них более продвинуты, чем другие.

(источник изображения: рынок больших данных: анализ компаний, использующих Hadoop, Spark и Data Science на основе данных, автор Аман Наймат)

Основываясь на концепции иерархии покупок, впервые изложенной Windermere Associates, большинство клиентов следуют схеме покупки, состоящей из четырех этапов: функциональность, надежность, удобство и цена (источник: Clayton M. Christensen’s Innovator’s Dilemma).

  1. Первоначально, когда ни один доступный продукт не удовлетворяет функциональным требованиям рынка, основой конкуренции или критериями, по которым осуществляется выбор продукта, обычно является функциональность продукта. Однако, как только два или более продукта надежно удовлетворяют рыночный спрос на функциональность, клиенты больше не могут основывать свой выбор продуктов на функциональности, а склонны выбирать продукт и поставщика на основе надежности.
  2. Пока рыночный спрос на надежность превышает то, что могут предложить поставщики, клиенты выбирают продукты на этой основе — и самые надежные поставщики самых надежных продуктов получают за это премию.
  3. Но когда два или более поставщиков совершенствуются до такой степени, что более чем удовлетворяют потребности рынка в надежности, основа конкуренции смещается в сторону удобства. Клиенты предпочтут те продукты, которые наиболее удобны в использовании, и тех поставщиков, с которыми наиболее удобно иметь дело. Опять же, до тех пор, пока рыночный спрос на удобство превышает то, что могут предложить поставщики, клиенты выбирают продукты на этой основе и вознаграждают поставщиков премиальными ценами за удобство, которое они предлагают.
  4. Наконец, когда несколько поставщиков предлагают пакет удобных продуктов и услуг, который полностью удовлетворяет рыночный спрос, основа конкуренции смещается в сторону цены. Фактором, определяющим переход от одного этапа иерархии закупок к другому, является избыток производительности».
  • Если перевести это в область ML/AI (всего лишь один сценарий развития рынка), клиенты в первую очередь заинтересованы в возможностях искусственного интеллекта, которые позволят им решить бизнес-задачу. Итак, первый этап — Функциональность. Функциональность может включать в себя любой из этих атрибутов: способность обрабатывать большие наборы данных, время для оценки/быстрого прогнозирования, сокращение ручного вмешательства и т. д.
  • Как только клиент удовлетворен функциональностью и подтвердил ценностное предложение в одном отделе, он/она хочет масштабируемость и удобство в масштабах всего предприятия. Клиенты хотят, чтобы этим инструментом могли пользоваться все их инженеры, а не только специалисты по данным. Итак, второй этап — масштабируемость и удобство.
  • Промежуточные этапы……..Клиенты заинтересованы в расширенных функциях, таких как улучшенный прием данных, более быстрое распознавание изображений и т. д.…….
  • На заключительном этапе, когда рынок созрел, клиенты ищут лучшие решения по более низким ценам, и основа конкуренции смещается в сторону цены.

Очевидно, что нецелесообразно предсказывать рыночное принятие в таком обобщенном виде. (помните, что все прогнозы выдуманы). Однако клиенты должны полностью понимать, как их проект по науке о данных принесет пользу организации в количественном выражении: общая стоимость проекта, время для полной реализации, период окупаемости, рентабельность инвестиций, приоритетность проектов с более высокой чистой приведенной стоимостью ………… и критерии продолжаются.