Comments 9
Это как при коммунистах секретарь райкома партии лучше любого агронома знал, когда нужно сеять и когда пахать.
Так и нынешние датасаентологи также свято уверовали в то, что софтскил и трехмесячные курсы могут рулить всем - пришёл на завод, полчаса софтскилл с технологами ( даже можно и не наливать ничего ) и чудо, новая технология готова. И в кассу за бонусами.
Туфта это всё.
Я видел реальное применении математики в промышленности, сам делал тоже, и это ничего похожего на то, что в этой статье.
В результате мы получили решение, которое автоматически управляет скоростью агрегата в технологической части и нагревом полосы в печи термохимического отжига. Производительность АНГЦ-4 только за первые три месяца увеличилась на 3,4%, а экономический эффект составил более 100 млн рублей. Разве не потрясающе!
Увеличилась скорость - увеличился износ механизмов, увеличилось число колебаний температуры в печи - ускорилась деградация её составляющих. Какой минусовой экономический эффект дадут увеличившиеся затраты на ремонт, и простой от более частых остановок на ремонт?
Думаю они учитывали метрики, связанные с деградацией оборудования, иначе было бы действительно странно
В статье об этом ничего не сказано.
Если по теме, то изменением режимов работы оборудования должен заниматься его производитель, иначе как минимум слетает гарантия, как максимум производитель может отказаться далее его обслуживать.
Ну и по цифре экономического эффекта "более 100 млн. рублей" за три месяца. Это 400 млн. рублей в год.
В свою очередь "Производительность АНГЦ-4 только за первые три месяца увеличилась на 3,4%" это конечно неверно сформулировано, производительность просто увеличивается (например на тонну в день), иначе получается что в пересчете на сутки производительность увеличилась только на 3,4/90=0,038%.
Это ж какой объем выпуска у этой линии, если 0,038% от него составляет 100/90=1,1 млн. рублей в сутки.
Короче с цифрами экономического эффекта какой-то непорядок.
То есть, резюмирую, вы внедряете технологию цифровых двойников в современном производстве. В целом похвально, конечно, но не стоит назвать это магией)
Спасибо, легкая к прочтению и понятная статья. У меня есть аналогичный опыт работы, подскажите а у Вас много проектов связанных с NLP или текстовой аналитикой? По моему опыту, чаще на производстве все сводится к теории управления, CV или имитационному моделированию. Еще интересно про устройство ваших команд: это продуктовый подход или все-таки одна команда делает все проекты в параллели?
Добрый день!
Хотелось бы узнать ваше прикладное, так сказать, мнение. К чему больше идет уклон в промышленном Data Science: к causal inference с интерпретацией и прозрачностью, или к ML с заточкой на score?
«Иногда твоя работа выглядит магией»: что делают дата-сайентисты в промышленности и почему так востребованы