Forudsig produktion og lagerstyring med Machine learning

Forudsig produktion og lagerstyring med Machine learning

Machine learning i skyen lyder måske futuristisk, men allerede i dag gør det virksomheder i stand til at forudsige produktionsprocesser og optimere lagerstyring

P360.dk by Columbus

Columbus
Redaktionen
; 18.08.14    : 11:31
Machine Learning er her nu - udnyt de mange data

Big Data og Internet of Things er to begreber, som er meget oppe i tiden. Big Data sætter fokus på indsamling og behandling af store mængder data og Internet of Things på, hvordan maskiner er konstant tilgængelige og forbundne. Machine Learning hjælper de konstant forbundne maskiner med at forudsige og optimere processer på basis af algoritmer i stedet for forudprogrammering. Maskinerne lærer altså af data i stedet for blot at behandle de store mængder data.

Machine learning har hidtil været forbeholdt forskningsinstitutioner og andre, der har haft et hav af specialister til rådighed. Nu kommer der skalerbare løsninger på markedet, der også retter sig mod mindre virksomheder.  Amazon har allerede etableret sig på markedet for machine learning, og nu kommer Microsoft med deres bud, Microsoft Azure Machine Learning.

Forudse og optimér produktion & lagerstyring 

Det at kunne forudsige fremtidige produktionskrav og optimere automatisk på produktionsprocesser er selvfølgelig relevant for produktions- og handelsvirksomheder. Selvom mulighederne for 'predictive analysis' har eksisteret igennem længere tid, har det været voldsomt dyrt og tungt at implementere, hvilket har afskåret selv større virksomheder fra at kaste sig ud i det. Med Machine learning i skyen kan mindre virksomheder nu nemmere udnytte de muligheder, der findes i ’predictive analysis’.

»Der bliver samlet data i vildskab rundt omkring, og mange af dem ligger stille og går i glemmebogen. Men når der dukker sådanne services op, som er nemme at bruge, og hvor man ikke skal tænke på opsætning og vedligeholdelse, så får brugerne en mulighed for at behandle de mange data, der er samlet sammen,« siger Bo Thiesson, der er lektor ved Institut for Datalogi på Aalborg Universitet til p360.dk.

De datadrevne værktøjer kan udnyttes til at forudsige eksempelvis efterspørgslen på varer, og det kan have positiv effekt gennem værdikæden fra lagerstyring til produktion og logistik, når varelagre skal holdes ajour, når produktionsmaskinel skal reserveres og vedligeholdes samt ikke mindst til prissætning af varer.

»For handelsvirksomheder og produktionsvirksomheder er det relevant, at machine learning kan finde mønstre i transaktioner og på den måde personalisere oplevelsen og målrette indsatsen, så man får bedre muligheder for at nå kunderne,« siger Bo Thiesson.          

Machine learning i skyen gør det ikke bare nemmere at lave forudsigelser, det bliver også muligt at opbygge avancerede applikationer på kort tid. Inden for få timer kan en udvikler stå med et færdigt produkt til at forudsige hændelser, der kan have stor indflydelse på fx en virksomheds forsyningskæde.

Nogle af de største udfordringer inden for dataanalyse er at omsætte rapporter fra analytikerne til faktiske resultater i produktionsprocesserne og -systemerne – og at gøre det på en måde, så dataene kan udnyttes inden for rimelig tid og inden for en rimelig beløbsramme. Ifølge Microsoft selv høster early adopters allerede nu fordele med teknologierne, hvor udvikling og implementering af analysemodeller og applikationer i produktions-it tidligere kunne tage månedsvis.

Teknologi fra Xbox og Bing-søgemaskinen

Noget af det mest banebrydende i fx Microsofts Azure Machine Learning er kombinationen af teknologier. Løsningen trækker på algoritmer fra Xbox-spillekonsollen samt søgemaskinen Bing. Kombineret med nye analyseværktøjer og forskning inden for Machine Learning, får brugerne mulighed for at udnytte dette nye kraftcenter af et værktøj.

Man har fra begyndelsen adgang til visuelle arbejdsgange, skabeloner til at komme i gang og muligheden for at publicere API’er og webservices på minutter. Machine learning er dermed rykket fra laboratorier og ud i virksomhederne.

»Vi er blevet så gode til at opsamle data, og machine learning og Microsofts Azure-løsning er noget af det der skal til, for at vi kan behandle dataene. Ved at opbygge et bibliotek af Machine learning algoritmer og lokalisere dem omkring dataene, så undgår Azure at skulle flytte for meget rundt på data, som ellers kan være en aldeles stor akilleshæl når vi snakker om analyser på store datamængder. Der kommer mere fokus på machine learning og specielt forskning der sikrer, at algoritmerne kan distribueres og bruges parallelt,« siger Bo Thiesson

Da Azure Machine Learning er del af Microsofts cloud-strategi, kan omkostningerne holdes nede. Med løsningen i skyen er det muligt at fange, styre og kontrollere eksempelvis data fra produktionsvirksomhederne, hvor både sensorer og maskiner genererer data til brug i analyserne. Bag en angiveligt intuitiv brugerflade ligger en større udgiftspost, som virksomheder og dataeksperter nu slipper for. Det er selve investeringen og den løbende vedligeholdelse i den maskinpark, der ligger bag afviklingen af machine learning-teknologierne.

Også Amazon udbyder lignende, skalérbare resurser til databehandling. Bl.a. streaming-tjenesten Netflix skræddersyer indhold til deres 44 mio. brugere verden over via machine learning på Amazons cloudservice, Amazon EC2.

Seneste artikler

Hvor ofte har du stået ved en butiksdisk eller en skranke i en lufthavn, eller brugt dyrebar tid mens du ventede på din læge, sygeplejerske eller advokat – mens folk slog information op i forskellige...

Gi forecastingen bedre forutsetninger

Det har været forbeholdt spåkoner med farverige gevandter, kort og krystalkugler at udtale sig om fremtiden. Men ude i virksomhederne prøver vi jo alligevel, og ofte er værktøjet et Excel-ark, hvor...

I virksomheder har de fleste medarbejdere et klart overblik over deres egne arbejdsopgaver, og adgang til de systemer og informationer, de har brug for, for at kunne udføre dem.