Eenvoudig starten met Data Science in de fabriek

Hoe start je met Data Science in het productieproces van een fabriek? Er zijn veel mogelijke routes, uiteenlopend van eenvoudig zelf de mogelijkheden uitproberen, tot een directe investering van snel honderdduizend euro in software en implementatie daarvan. Quality Target houdt van eenvoud, stap voor stap uw mensen zelf inzicht laten opbouwen. Om te beginnen:

Vergeet Artificial Intelligence, start met Data Science

Een door Artificial Intelligence (AI) aangestuurde zelfsturende fabriek is helaas nog verre van bereikbaar. Simpelweg omdat AI alleen kan functioneren binnen een afgebakend gebied, waarbinnen alle relevante variabelen digitaal beschikbaar zijn, met heel veel data. Die vlieger gaat voor een typische fabriek niet op. Data Science kan heel nuttig zijn, en soms zelfs Machine Learning (ML), maar vergeet AI.

Wat is dan Data Science?

Data Science is de kunde van het slim omgaan met data. Dat omvat oude bekende data analysetechnieken, zoals grafische en statistische technieken (vooral nuttig bij beperkte aantallen datapunten). Denk aan correlatieplots en statistische p-waarden. Maar het omvat ook modernere technieken die heel efficiënt met heel veel data kunnen omgaan. Denk bijvoorbeeld aan de programmeeromgeving Python, de bakermat van de snelle ontwikkelingen in data science, en aan Machine Learning algoritmes die zelf patronen kunnen ontdekken (en waarvan sommige het startpunt zijn van AI). Data Science is dus vooral leren van wat data ons kan vertellen.

Inzicht opdoen

Voor een goede fabriek is vooral één ding van belang: inzicht opdoen. Operators en engineers hebben inzicht opgedaan in de fysieke praktijk (zelf zien en ervaren), en vanuit analyse van data die redelijk makkelijk beschikbaar was (zoals control charts van gemonitorde kwaliteit). Vaak is dat nog niet helemaal voldoende. Moderne Data Sciene technieken bieden nu de mogelijkheid om gericht extra inzicht op te doen, door gebruik te maken van de grote hoeveelheden data die nog niet echt in analyses betrokken werden, zoals ERP data (bv SAP, LIMS) en vooral veel sensor data (bv MES, SCADA). Dat biedt een grote hoeveelheid “nieuwe” data, en dus extra inzichten.

Van ruwe data naar nieuwe inzichten

Eenvoudig starten met Data Science

Kort samengevat: Hou het fijn, start klein. “Hou het fijn” betekent dat nieuwe inzichten dienen te komen in begrijpelijke stappen, steeds in de praktijk direct toepasbaar, met direct resultaat. “Start klein” betekent dat een klein maar belangrijk deel van het proces als eerste wordt aangepakt. De zin “Hou het fijn, start klein” betekent ook een ander dan gebruikelijk doel. Niet gelijk een megabedrag aan besparing realiseren, maar leren en groeien, dus inzicht opdoen, wat motiverend werkt voor de fabriek als geheel.

Goed nieuws

Nieuwe databronnen (ERP en fabriekssensoren) zijn makkelijker in te zetten dan het lijkt. Het vergt niet meer dan een korte cursus. In een doorlooptijd van 3 weken, met daarin slechts 3 cursusdagen en 2x 8 uur zelfstudie, kan iedereen* zelf aan de slag. De benodigde open source software (Python) is gratis en snel, terwijl de cursus scripts aanreikt (bouwstenen) waarmee data uit ERP en MES/SCADA systemen snel om te zetten zijn naar direct analyseerbare gegevens.

*: Alle cursisten waren tot nu toe tevreden over de cursus, waarbij de achtergrond van de cursisten uiteen liep van “absolute beginner in programmeren” tot gepromoveerd data scientist.

Het resultaat

Al binnen drie weken leidt nieuwe kennis over Data Science tot nieuwe inzichten. Dat is dan nog gericht op een klein deel van het fabrieksproces (een klein deel van de mogelijke data), maar iedere stap is een fundament, waarop verder gebouwd kan worden door steeds aangrenzende data erbij te betrekken. En zo kan inzicht in het proces structureel groeien, met dank aan al die data die tot nu toe niet of nauwelijks benut werd.

Koffie?

Meegaan met nieuwe mogelijkheden hoeft dus niet duur of ingewikkeld te zijn. Laat uw mensen én hun inzicht in het proces groeien, gedreven door hun eigen nieuwsgierigheid. Wilt u daar eens over sparren? Wat dacht u van een kop koffie bij een overleg op locatie of via Teams?