Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
•
1 gostou•73 visualizações
O objetivo da palestra foi trazer Cases e dados sobre a evolução de inovação a partir de Dados. Além disso, foi oportuno mostrar como evoluir Cultura Analítica nos negócios promovendo boas práticas de empresas brasileiras.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
Semelhante a Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning (20)
Mais de Josias Oliveira
Palestra Cobisa-2019 - Desenvolvendo Cultura Analítica e Machine Learning
- 1. ktsdesign Machine Learning na Indústria 4.0 O desafio de desenvolver Cultura Analítica
- 2. Agenda Case de Sucesso Smart Factory Obstáculos para Evoluir Impacto sobre Smart Factory O Universo IoT Boas Práticas Recomendo! 1 2 3 4 5 6
- 3. O FUTURO DOS NEGÓCIOS ESTÁ NOS DADOS E QUEM SOUBER CAPTURAR, ORGANIZAR, ANALISAR E DECIDIR SOBRE GRANDES VOLUMES DE DADOS ESTARÁ À FRENTE. Acreditamos muito nisso…
- 5. Case Smart Factory 1 Definir População Preparar Metodologia com dados de Abril - 2017 Avançar Metodologia para 2017 integralmente Adicionar dados de 2016 para aumentar não- Conformidades Restrições de Produto com Largura e Espessura 2 Restrições Técnicas Restrições de Processo com Bobinas em Rota direta Restrições Químicas – C, Mn e Nb – para avaliações 3 Limpeza de Dados Variância Nula – variáveis com resultados únicos Missing Data e Outliers – retirar ocorrências indesejadas Variáveis com concentração de valores constantes 5 Definição Amostral Base de Treinamento dos Modelos utilizados (70%) Base de Teste dos Modelos Treinados (30%) Base de Validação – afere qualidade do Modelo Análise de Correlação usando o critério de correlações acima de 90% indicando forte multi- colinearidade 4 Análise Multicolinear Exclusão de variáveis que duplicam informação
- 6. Case Smart Factory 1 261.788Base Jun/16 a Dez/17 2 196.829Rota Direta 3 14.137 Carbono 0,14% ≤ C ≤ 0,21% 4 13.868 Manganês Mn ≤ 0,1% 5 12.421 Nióbio Nb ≤ 0,01% 6 3.146 Espessura Esp ≥ 8mm 7 1.687 Largura Larg ≥ 1.500mm 8 1.684 Missing Dados na linha 9 1.651 Outlier Valores Aberrantes 2.384 583 217 0,91% 4,12% 13,14%
- 7. Case Smart Factory Variáveis Mapeadas 77 1 Variáveis no Banco de Dados 187 2 Limpeza de Variáveis 122 3 Análise de Multicolinearidade 104 4 Percepção dos Especialistas Técnicos 25 5
- 8. Case Smart Factory População 1.651 não- Conformidades 217 não- Conformidades 217 não- Conformidades 217 Validação Amostragem 70% Treinamento 30% Teste Usamos a Técnica de Amostragem Balanceada em 50%! Conformidades 217 1 Conformidades 217 2 Conformidades 217 1 Conformidades 217 2
- 9. Conexões Automáticas Queries Fluxo de Tarefas Case Smart Factory
- 11. Box Plot of Carbono Sem_MDLine 122v*1684c 0.13 0.14 0.15 0.16 0.17 0.18 0.19 0.20 0.21 0.22 Carbono Median = 0.1908 25%-75% = (0.1843, 0.1955) Non-Outlier Range = (0.162, 0.2099) Outliers Case Smart Factory
- 12. Projection of the variables on the factor-plane ( 1 x 2) (2pass) (3pass) (4pass) (5pass) -1.0 -0.5 0.0 0.5 1.0 Factor 1 : 74.68% -1.0 -0.5 0.0 0.5 1.0 Factor2:15.91% (1pass) Case Smart Factory
- 13. Case Smart Factory Espessurano Desbaste(RM) Actual R1 Gaugemeter Thickness 1 pass (M) [mm] Actual R1 Gaugemeter Thickness 2 pass (M) [mm] Actual R1 Gaugemeter Thickness 3 pass (M) [mm] Actual R1 Gaugemeter Thickness 4 pass (M) [mm] Actual R1 Gaugemeter Thickness 5 pass (M) [mm] Tomamos o valor medido no meio da Tira, visto que houve muito Missing Data para Topo e Cauda. A análise posterior apontou que não houve relevância para este Sistema. 75% com 1 Componente PrincipalForçade Laminação(RM) Actual R1 Rolling Force 1 pass (M) [kN] Actual R1 Rolling Force 2 pass (M) [kN] Actual R1 Rolling Force 3 pass (M) [kN] Actual R1 Rolling Force 4 pass (M) [kN] Actual R1 Rolling Force 5 pass (M) [kN] Tomamos o valor medido no meio da Tira, visto que houve muito Missing Data para Topo e Cauda. A análise posterior apontou baixa relevância para este Sistema. 90% com 1 Componente Principal Velocidadede Laminação(RM) Actual R1 Roll Peripheral Speed 1 pass (M) [m/s] Actual R1 Roll Peripheral Speed 2 pass (M) [m/s] Actual R1 Roll Peripheral Speed 3 pass (M) [m/s] Actual R1 Roll Peripheral Speed 4 pass (M) [m/s] Actual R1 Roll Peripheral Speed 5 pass (M) [m/s] Tomamos o valor medido no meio da Tira, visto que houve muito Missing Data para Topo e Cauda. A análise posterior apontou alta relevância para este Sistema. 73% com 1 Componente Principal Espessurano TremAcabador FM Delivery Thickness (Gagemeter Thickness) F1 FM Delivery Thickness (Gagemeter Thickness) F2 FM Delivery Thickness (Gagemeter Thickness) ... FM Delivery Thickness (Gagemeter Thickness) F5 FM Delivery Thickness (Gagemeter Thickness) F6 Tomamos o valor médio das medidas de Topo, Meio e Cauda. Incluímos o esboço FDH. A análise posterior apontou média relevância para este Sistema. 82% com 1 Componente Principal
- 14. Case Smart Factory Base de Treinamento e Teste para desenvolver e avaliar os Modelos Amostragem Balanceada para 50% de Bobinas Conformes e não-Conformes Base de Validação com Amostragem Balanceada para 50% de Bobinas Conformes e não-Conformes
- 15. Modelos de não-Lineares de Regressão Logística Modelos de Machine Learning baseados em Computação Matemática Modelos de Árvore de Decisão baseados em Técnicas de Associação Comparador de Modelos usando linguagem PMML sobre Base de Validação Case Smart Factory
- 16. O melhor modelo foi o de Árvore de Decisão com 86,44% de acurácia. O modelo com função matemática, Regressão Logística, teve resultado bom. Case Smart Factory
- 17. Tree 1 layout for Conforme Num. of non-terminal nodes: 38, Num. of terminal nodes: 39 Case Smart Factory
- 21. Desafios para Implantar Soluções Inteligentes
- 22. Evoluir Legado e Infraestrutura Data Owner Data Source Data Acquisition Data Accuracy Data Access Definir o Dono dos Dados é o primeiro passo para evoluir - esse tem o sido o papel dos CDO, CAO, CTO ou CIO. Com certeza, esse papel não pertence à área de negócio. Ter uma visão única da cadeia de valor do negócio é essencial para garantir sucesso em projetos de Data Science. Então, as fontes devem ser integradas. A aquisição de dados é assunto inicialmente de Processos, depois de Tecnologia para adquirir a informação, seja por sensores ou conexões. É tema quer requer atenção contínua. Tem a ver com Dados medidos, coletados, armazenados e organizados corretamente nos sistemas que serão acessados. A visão de DataMart está em queda, visto que as áreas de negócio estão cada vez mais ligadas em malha. Por isso, é preciso definir Dados Operacionais e Estratégicos.
- 23. Transformar Cultura Analítica Data Center Data Management Data Integration Data Discovery Data Visualisation Mapear Processos Estrutura de Dados Criticar Dados Modelagem de Dados Implementar no Processo Data Experience Data Hackathon Data Science Immersive Data Science Education Data Executive Literacy Tecnologia Projetos Educação
- 26. O Universo IoT
- 27. Elementos e Tecnologias Sensores Implantar mecanismos de captura de dados em tempo real com foco em pontos de melhoria contínua Conexão Rede de Internet conectada aos sensores em diversos pontos transferindo dados para armazenar e analisar Armazenagem Ambiente, normalmente, na Cloud provendo recursos para garantir qualidade do dado e segurança da informação Analytics Criticar o Dado, desenvolver KPI`s, definir modelos para prever e classificar; por fim, suportar a decisão Business Criar as regras de negócio suportadas pelo dado analisado e calibrar eficiência operacional do negócio.
- 28. O Cenário no Brasil Fonte: Revista Exame Edição Especial - Maio/2018 CNI - Sondagem Especial 66 Indústria 4.0 Ranking de Competitividade Industrial - Deloitte Em um ranking global de competitividade do Setor Industrial, o Brasil caiu de 5o lugar, em 2010, para 29a posição, em 2017.
- 29. Impacto de Smart Factory
- 30. O Constante Mudar… Vivek Wadhwa, especialista em inovação e tecnologia Fonte: Revista CEO Exame Edição 27
- 31. Boas Práticas
- 32. Dados Empresas que Avançam na América Latina Colocar Dados como pilar estratégico do negócio Distribuir times de Squad Analytics nas áreas que requerem mais atenção do negócio Esteja sempre ligado às novas tecnologias na busca de aprendizado e inovação contínua Manter forte parceria com empresas que desenvolvem tecnologias e prestam serviços com foco em inteligência O CEO deve ser o que mais demanda conhecimento a partir de dados e ter os Squads sob sua gestão
- 33. Recomendações
- 34. Jornada de Maturidade no Cenário Atual É preciso ter claro onde essa estrada precisa levar o seu negócio!
- 35. Obrigado!