스피커 | 성적 증명서 |
| 야시르 엘 하우스니 | 여보세요. |
| 저는 Saint-Gobain Research Provence의 스마트 제조 팀의 R&D 엔지니어이자 데이터 과학자인 Yassir El Housni입니다. |
| 프랑스 카바용에서. |
| 우리는 세라믹 재료 사업부에서 일하고 있습니다. 이 포스트에서 우리는 두 가지 포인트를 가지고 있습니다. 먼저 제조업체 데이터 프로젝트에 대해 제안하는 데이터 프로젝트 수명 주기를 제시합니다. |
| 그리고 2편에서는 계속 |
| Saint-Gobain 재료...세라믹 재료 산업의 두 가지 사용자 사례를 제시합니다. |
| R&D, 생산, 품질 및 유지보수와 같은 다양한 부서에서 데이터 프로젝트를 수행하려면 진행을 추구하기 위해 단계별 접근 방식을 취해야 합니다. |
| 데이터베이스 방법론의 지식 발견 및 DMAIC로 알려진 6시그마 철학을 정의, 측정, 분석, 개선 및 제어합니다. |
| 우리는 이 무한 루프에서 데이터 분석 프로젝트를 올바르게 관리하기 위해 추구해야 할 7단계를 정의합니다. 이들 모두에서 우리는 산업 세계에서 성공적인 데이터 프로젝트에 대한 관련성 열쇠라고 믿기 때문에 프로세스를 잘 이해하고 있는지 확인합니다. |
| 예를 들어, 프로세스의 변동을 감지하기 위해 SIPOC 또는 순서도 맵을 사용하고 변동의 원인을 감지하기 위해 ???가 포함된 문제 해결 도구 상자를 사용합니다. 또는 이시카와 다이어그램. |
| 그런 다음 무한 루프는 지속적인 개선을 달성하기 위한 또 다른 경로를 제시합니다. 다음에서는 접근 방식을 단계별로 자세히 설명합니다. |
| 프로젝트 정의부터 시작하겠습니다. 데이터 프로젝트를 시작하기 전에 세 가지 요소를 명확하게 정의해야 합니다. |
| 여기서 우리는 거래(?)의 요소를 명확하게 정의하는 데 매우 유용한 몇 가지 질문을 제안합니다. 우선 비즈니스 요구 정의. |
| 종종 제조에서 데이터 프로젝트의 목표는 프로세스를 최적화하고, 수율을 최대화하고, 특정 제품의 품질을 개선하거나, 에너지 소비를 줄이는 것입니다. |
| 비즈니스 기회의 정의에 따라 우리는 무엇을 사용할 것인지, 대상이 시각화 또는 분석만 필요한지 알아야 합니다. |
| 그 후에는 그 영향이 비즈니스에 정량화된 이익을 가져다 줄 것입니다. |
| 둘째, 데이터 가용성과 유용성입니다. 그것에서 우리는 데이터 품질의 대각선 분석을 시작합니다. 데이터 프로젝트의 타당성을 결정하는 단계에서 매우 중요합니다. 따라서 팀 설정, |
| 데이터 팀의 사람, 사업부 팀의 사람, 공장의 사람, 식스 시그마 그린 또는 블랙 벨트를 보유한 프로세스 엔지니어. |
| 두 번째 단계로 넘어갑시다. |
| 데이터 준비. |
| 변환, 통합, 정리와 함께 데이터 프로젝트에서 많은 시간을 소비하는 중요한 단계입니다. 예를 들어 여기에는 다양한 데이터 소스가 있으며 이를 중앙 집중화해야 합니다. |
| 한 테이블에. 주로 입력에 X를 사용하고 출력에 Y를 사용합니다. 이 설정에서는 결측값 처리, ???와 같은 JMP의 다른 도구를 사용합니다. 상수 변수, 물론 테이블을 올바르게 변환하기 위한 올바른 SQL 요청을 보장하는 JMP 데이터 테이블 도구. |
| 세 번째 단계는 동적 시각화로 데이터를 탐색하는 것이며 JMP를 사용하면 시각화를 위한 다양한 선택이 가능합니다. 예를 들어, 변수의 분포를 플로팅하고 그에 따른 부하(?)를 추정합니다. |
| 상자 플롯 다이어그램으로 이상값 감지, |
| 두 변수 간의 비선형 회귀, |
| 등고선 또는 밀도 매핑을 사용하여 각 모집단의 집중도에 대한 주요 배치를 결정하고 이를 플롯할 수 있는 선택의 폭이 넓습니다. |
| ???, 우리는 일반적으로 업무에 사용하며 매우 유용하다는 것을 알았습니다. |
| 네 번째 단계는 모델의 개발을 개발하는 것이며 우리가 필요로 하는 분석의 종류에 따라 다릅니다. |
| 그것은... |
| 목표는 설명하거나 예측하는 것입니다. 첫 번째는 변수 간의 연결에 관한 것으로 데이터의 패턴을 설명하는 역할을 합니다. 두 번째는 수식에 관한 것으로 데이터의 패턴을 예측하는 역할을 합니다. |
| 일반적으로 우리는 데이터 세트를 훈련용 70%, 테스트용 20%, 검증용 10%의 세 블록으로 자릅니다. 데이터 크기가 작은 경우 훈련에 70%, 검증에 30%를 사용하는 경우가 있습니다. 모델이 양호하면 의사 결정을 유도하기 위해 새로운 데이터 세트를 요청합니다. |
| 우리는 지도 학습과 비지도 학습에 접근해야 합니다. 오늘 Saint-Gobain에서는 JMP의 일반 버전을 사용할 것입니다. |
| 또한 선형 회귀, 의사 결정 트리 및 신경망과 같은 지도 학습 도구에 액세스할 수 있습니다. 오늘날 우리는 의사결정나무로 많은 일을 하고 있습니다. 의사결정나무가 세라믹 재료 산업의 문제를 해결하는 데 도움이 되는 관련 결과를 제공하기 때문입니다. |
| 다섯 번째 단계는 최적의 솔루션을 찾는 것입니다. 때로는 단순한 솔루션이지만 다른 경우에는 많은 모델 간의 조합입니다. 그리고 좋은 의미를 보장하기 위해 평균 최대값과 각 변수의 평가 단계와 같은 몇 가지 제약 조건을 추가했습니다. |
| JMP 프로필은 솔루션을 신속하게 최적화할 수 있는 큰 가능성을 제공합니다. |
| 이제부터 다음 단계는 Six Sigma 그린 벨트 또는 블랙 벨트가 있는 프로세스 엔지니어의 지원에 의해 공장으로 전달되는 것입니다. |
| 여섯 번째 단계는 공장에서 최상의 솔루션을 구현하는 것이며 단 하나의 대표 모델에 의해 관리됩니다. 예를 들어, 출력 Y1의 관리도를 구현하고 다른 변동을 분석합니다. |
| 일곱 번째 단계에서는 모델 효율성을 모니터링하고 데이터 프로젝트 작업의 글로벌 이득을 시각화합니다. 예를 들어 파이 차트에서 글로벌 수익률에 대한 방사형 영향을 볼 수 있습니다. |
| 그리고 마지막으로 중요한 것은, 무한 루프의 연속성, 지속적인 개선 및 연속성을 보장하기 위한 새로운 데이터 프로젝트의 1단계 준비입니다. |
| 이것이 데이터 프로젝트 수명 주기에 관한 것이었고 이제 JMP를 사용하는 프로토콜에 대한 두 가지 실제 사례 연구를 제시하도록 하겠습니다. |
| 두 가지 예에서 우리는 동일한 공정 기술을 연구했습니다. 그것은 전기로에 관한 것이지만 두 제품에 대해 우리는 다른 제품과 다른 대상을 가지고 있습니다. |
| 이 기술에는 전기, 열, 화학, 시간 및 기타 물리 효과와 같은 복잡한 다중 물리적 현상이 있습니다. |
| 예를 들어 여기에는 다양한 종류의 센서에서 오는 100개 이상의 프로세스 변수가 있습니다. |
| 비즈니스 필요 |
| 특정 제품인 JO7의 글로벌 수율을 설명하는 것이었습니다. |
| 그것에서 우리는 결함 #1, #2에서 #N까지 많은 종류의 결함을 감지합니다. |
| 데이터 세트를 올바르게 준비하기 위해 Pareto를 사용했습니다. |
| Mahalanobis 거리로 이상값 처리 및 오류 유형 및 결측값 처리를 수정하기 위해 올바른 속성을 다시 코딩합니다. |
| 3단계의 탐색에서는 변동 수를 줄이기 위해 입력 간의 상관 관계의 예를 제시합니다. |
| 모델 작업 후. |
| 우리의 결과로 우리는 단지 3개의 변수가 있는 의사결정 트리를 찾았고 여기에서 목표는 수익률이 그렇지 않은 이유를 설명하는 것이었습니다. |
| 최대. |
| 그리고 우리는 |
| 100 미만의 변수가 3개뿐인 의사 결정 트리. 따라서 모델의 경우 데이터의 크기가 크지 않기 때문에 여기에서 데이터의 70%를 사용하고 유효성 검사를 위해 30%를 사용하며 중요한 루트 제곱으로 좋은 결과를 얻습니다. |
| 보시다시피 70% 이상입니다. |
| 그래서 우리가 공장에 전달한 메시지는 |
| X1, X2, X3 설명 가능 |
| 글로벌 수익률이며, 이 수익률의 비율인 Y를 최대화해야 하는 경우 X1 및 X3에 대해서만 특정 설정을 얻어야 합니다. |
| 그리고 글로벌 수익률은 빠르게 진화해야 합니다. 그것은 요점입니다... 여기 점들의 집합체입니다. |
| 그리고 각각에 대해 |
| 프로젝트에서 각 매개변수에 대한 물리적 이해도 제공합니다. |
| 공장에. |
| 동일한 기술을 사용하지만 다른 제품에 대한 두 번째 예의 경우 여기에는 80개의 프로세스 변수만 있고 목표는 결함이 없는 부품 수 D1을 발전시키는 것이었습니다. |
| 품질을 설명하는 것이 필요합니다. |
| 따라서 우리는 단계에 동일한 방법론을 사용합니다. 예를 들어 여기에서는 모델에 넣을 변수의 수를 줄이기 위해 입력 간의 동일한 상관 관계를 연구했습니다. |
| 결과적으로 의사 결정 트리도 사용하지만 여기에서 이 글로벌 수익률을 설명하는 12개의 변수를 찾았습니다. |
| 좋은 |
| 결과. 보시다시피 R 제곱은 84%, RMSE는 3%, 크기 수는 287입니다. 이를 위해 교차 검증 방법을 사용했습니다. |
| 테이블의 크기가 매우 작기 때문입니다. |
| 따라서 첫 번째 매개변수는 매우 중요합니다. 보시다시피 50% 기여합니다. |
| 그리고 12가지 변수로 식물에게 설명하기 어려웠다. 이를 위해 첫 번째 변수만 플로팅할 때 변수 X1만으로 임계값을 정의할 수 있고 전역 수율이 빠르게 발전해야 함을 시각적으로 알 수 있습니다. |
| 고맙습니다. |
