Data analytics and machine learning in Manufacturing

← Go back to overview

Solution Accelerators for Manufacturing

데이터 엔지니어와 데이터 사이언티스트가 몇 주, 길면 몇 개월에 이르는 개발 시간을 절약할 수 있도록, 주요 브랜드와의 작업을 통한 모범 사례를 바탕으로 일반적인 데이터 분석 및 머신 러닝 사용 사례를 모은 솔루션 액셀러레이터를 개발했습니다.

인과를 통한 수요 전망

전자상거래의 성장, 공급업체의 변동, 글로벌 팬데믹의 위험으로 인해 공급망이 타격을 받고 부담이 가중되었습니다. 기업에서는 수요를 예측하고 재고를 관리하던 기존의 모델과 전략으로는 리테일의 새로운 상황을 예측할 수 없다는 것을 깨달았습니다. 과거에는 한정적인 데이터 세트로 매주 또는 매월 예측을 집계했을지 몰라도, 소비자가 쉽게 매장을 바꿀 수 있는 전자상거래의 시대가 도래하면서 기업에는 각 매장에서 하루 단위로 SKU에 대한 수요를 예측하는 능력이 필요하게 되었습니다.

블로그/노트북:

시계열 전망

소매업체가 성공하려면 시계열 분석의 속도와 정확성을 개선하여 제품과 서비스에 대한 수요를 더욱 정확하게 예측하는 것이 중요합니다. 이 노트북에서는 시계열 전망 예측의 중요성을 설명하고, 일부 샘플 시계열 데이터를 시각화한 다음, Facebook Prophet 사용을 보여주는 간단한 모델을 구축합니다. 모델 하나를 잘 구축하면, Prophet과 Apache Spark™의 마법과 같은 기능을 결합하여 한 번에 수백 개의 모델을 훈련하고 지금까지 실현이 불가능에 가까웠던 수준으로 세분화하여 각 제품-매장 조합에 대해 정확히 예측해볼 것입니다.

안전 재고

최근에 일어난 자연재해, 팬데믹, 사회적 불안 등의 요소로 인해 글로벌 공급망이 큰 타격을 입었습니다. 어느 기업에나 수요에 맞는 충분한 제품을 확보하면서도 지나치게 재고를 비축하지 않는 것이 핵심 과제입니다. 이 솔루션은 소매업체와 제조업체가 최적의 안전 재고를 알아내 운전 자본에 여유를 두면서도 비즈니스에 대한 타격을 방지하기 위한 현대적인 방법을 제시합니다.

ML-based Item Matching

How do manufacturers understand what inventory they have on hand around the globe across hundreds of thousands or possibly millions of parts, where local teams could have different item descriptions across internal systems? Or how can a manufacturer resolve differences between their product definitions and those product descriptions across dozens of retail partners? This solution uses machine learning to evolve rules-based and probabilistic (fuzzy) matching techniques for effective product matching on imperfect data.

Scaling ML Models for IoT

IoT 센서에서 수신되는 실시간 데이터로 머신 러닝 모델을 훈련하기 위해서는 각각의 연결된 기기에 개별 모델을 적용해야 하는 사용 사례가 있습니다. 대부분 기본 머신 러닝 알고리즘이 하나의 복잡한 모델보다 성능이 우수한 경우가 많기 때문입니다. 그러나 IoT 및 기기의 데이터 용량이 매우 커져서 한 대의 컴퓨터에 들어가지 못할 수 있습니다. 기기 한 대의 데이터는 컴퓨터 한 대에 들어갑니다. 또한 데이터 사이언스팀은 sklearn이나 pandas와 같은 단일 노드 라이브러리를 사용하여 구현하므로 단일 머신 개념 증명(PoC)을 배포할 때 마찰이 적어야 합니다. 이 블로그에서는 각 IoT 기기에 두 가지 설계(모델 훈련, 모델 스코어링)를 적용하여 이 문제를 해결하는 방법을 보여드리겠습니다.

예측적 유지관리

컴프레서와 같은 자산을 관리하려면 매우 복잡한 작업이 필요합니다. 이런 자산은 소형 굴착 장치에서 심해 플랫폼에 이르기까지 다양한 용도로 사용되며, 전 세계 곳곳에서 매일 몇 테라바이트의 데이터를 생성합니다. 이런 컴프레서가 하나만 고장나도 하루에 생산 손실로 인한 비용이 수백만 달러에 달합니다. 이 솔루션에서는 전체 예측 데이터 파이프라인을 구축하여 실시간 데이터베이스를 제공하는 방법을 알려드립니다. 이를 통해 자산 부품과 센서 매핑을 관리하고, 방대한 원격 측정 데이터를 처리하는 지속적인 애플리케이션을 지원하고, 이들 데이터 세트를 통해 컴프레서 고장을 예측할 수 있습니다.

시작할 준비가 되셨나요?