Почему промышленным компаниям стоит нанимать специалистов по данным
Переход к Индустрии 4.0 потребует больше, чем просто инвестиции в инновационные технологии, такие как промышленный Интернет вещей (IIoT), дополненная реальность (AR) и машинное обучение (ML). Нам понадобится много высококвалифицированных специалистов, чтобы собрать все это вместе и заставить это работать. Возможно, у вас уже есть отличная команда инженеров по управлению, но мы не можем ожидать, что один человек будет иметь опыт в столь многих областях.
Когда дело доходит до таких задач, как аналитика больших данных, обучение модели машинного обучения или создание углубленной стратегии разработки конвейера данных, ничто не заменит профессионального специалиста по данным. Объявленные Harvard Business Review самой привлекательной профессией 21-го века, специалисты по данным пользуются большим спросом в экономике, потому что их работа находится на пересечении невероятно ценной и чрезвычайно сложной.
Предлагая свои уникальные навыки, специалисты по данным создают реальную ценность для компаний, предоставляя им возможность использовать беспрецедентные данные, которые мы сейчас генерируем. Это варьируется от понимания бизнес-решений высокого уровня до мелочей оптимизации машин на заводе.
Проще говоря, специалисты по данным преобразуют знания в силу. Нетрудно увидеть их ценностное предложение в мире, который все больше определяется интеллектуальными устройствами. По мере того, как наши машины становятся все более интеллектуальными, в основном благодаря работе специалистов по данным, нам нужно еще больше умных людей, чтобы в полной мере воспользоваться их преимуществами.
Типы аналитики
Чтобы получить лучшее представление о работе в области науки о данных, давайте рассмотрим некоторые из наиболее распространенных аналитических методов, которые мы видим в промышленном контексте.
Во-первых, у нас есть предиктивная аналитика, которую IBM определяет как использование передовых аналитических методов, которые используют исторические данные для раскрытия информации в реальном времени и прогнозирования будущих событий. Основная идея здесь состоит в том, чтобы посмотреть на предыдущие тенденции с течением времени, чтобы сделать обоснованное предположение о том, что будет дальше. Простой пример — розничные продажи в США между Днем Благодарения и Рождеством. Предприятия предвидят этот ежегодный бум, планируя соответствующим образом.
В таких отраслях, как производство, мы не видим так много этих низко висящих плодов. Вместо этого мы наблюдаем всплеск этого типа аналитики для предупредительного обслуживания, которое использует аналитику для прогнозирования отказа оборудования, чтобы мы могли выполнять профилактическое обслуживание и минимизировать время простоя. Например, данные датчиков манипулятора робота могут указывать на повышение температуры, усиление вибрации или изменение какой-либо другой переменной. Работа специалиста по обработке и анализу данных заключается в том, чтобы выяснить, какие переменные важны, какие пороговые значения установить и когда рекомендовать обслуживание.
Еще одним распространенным аналитическим методом является обнаружение аномалий, которое Сьюзан Ли из Towards Data Science определяет как процесс выявления неожиданных элементов или событий в наборах данных, которые отличаются от нормы. По сути, это копание в данных для поиска точек интереса и наблюдений, которые не совсем вписываются в нормальный диапазон.
Мы можем использовать эту технику как в отрицательном, так и в положительном контексте. Аномальное поведение машины может указывать на неисправность детали, несовместимость в точке интеграции или ошибку оператора. Анализ этого может дать нам представление о том, по какому следу нам нужно идти, чтобы решить проблему. С другой стороны, аномальное увеличение однодневных продаж может указывать на успешную маркетинговую кампанию, реакцию отрасли на законодательный акт или благоприятное изменение рыночных условий.
Последний тип, который мы хотим выделить, — это предписывающая аналитика, которая продвигает прогностическую аналитику на один шаг вперед, а затем рекомендует дальнейший путь. Например, в логистике предписывающая аналитика может упростить операции и оптимизировать маршруты. Мы также часто видим предписывающую аналитику в таргетированной рекламе, когда компании могут назначать релевантные продукты клиентам на основе наблюдаемых моделей поведения.
Машинное обучение
Хотя эту аналитику можно выполнить вручную, в больших масштабах это нецелесообразно, особенно когда мы пытаемся иметь дело с петабайтами неструктурированных данных. Вот почему основным компонентом работы любого специалиста по данным является автоматизация этой аналитики с помощью машинного обучения, типа искусственного интеллекта (ИИ).
Модели машинного обучения принимают данные в качестве входных данных, прогоняют их через сложные алгоритмы для самостоятельного обучения и производят результат, который мы запрашиваем. Например, мы можем обучить модель на данных датчиков с конвейерной ленты, запросить у нее прогнозную аналитику для информирования о сроках обслуживания, и она будет искать в данных корреляции между состоянием оборудования и временем его неисправности. Таким образом, машинное обучение может обнаруживать закономерности, которые остаются невидимыми для человеческого глаза.
Далее мы можем разделить это на две категории: в облаке и на периферии. Поскольку облачные вычисления дают нам легкий доступ к более дешевым и многочисленным вычислительным ресурсам, специалисты по данным часто строят свои модели в облаке, независимо от того, где они в конечном итоге окажутся. Для моделей, которые будут продолжать работать в больших масштабах или не требуют контроля в реальном времени, мы также можем развернуть их в облаке.
Однако, если мы хотим сэкономить пропускную способность за счет уменьшения объема данных, которые мы отправляем в облако, если нам нужно свести к минимуму задержку для функций в реальном времени или если мы беспокоимся о конфиденциальности данных, специалисты по данным могут развернуть свои Модели ML на грани. Запуская модель на встроенном устройстве, расположенном ближе к источнику данных, отрасли могут улучшить автоматизацию за счет интеллектуальной автономии, сократить расходы на сеть и добавить уровень безопасности для конфиденциальных данных.
Вывод
Работают ли их машинное обучение в облаке или на периферии, разрабатывают ли они модели для предиктивной аналитики, обнаружения аномалий или предписывающей аналитики, специалисты по данным приносят пользу отраслям по всем направлениям. Они делают это, сочетая свои технические навыки с такими инструментами, как Python и TensorFlow, со своими навыками критического мышления, которые им необходимы для разработки аналитической основы.
Специалисты по данным делают гораздо больше, чем сложная задача программирования ИИ. Они придумывают, какие вопросы задавать, помещают данные в бизнес-контекст и выполняют любое количество операций предварительной обработки, таких как сортировка, очистка и дополнение данных.
Вот вывод: если вы еще этого не сделали, вам следует нанять специалиста по данным.
Ссылки на изображения:
https://pixabay.com/photos/analytics-charts-business-woman-3265840/
https://pixabay.com/photos/code-programming-python-1084923/
Опубликовано Дэвидом Хойсаном
Первоначально опубликовано на https://www.linkedin.com.
