事実またはフィクション：あなたのデータはどのストーリーを物語っていますか？

紀元前3万年に、私たちの祖先は彼らの日常生活について洞窟の壁に物語を描き、紀元前700年までに、私たちは最初の印刷された物語、ギルガメッシュを手に入れました。 2021年に向けて、私たちはすでに5年以上にわたってAIと共同でストーリーを作成してきました。しかし、その日の順序が正確なビジネスインテリジェンスである場合、企業は、人工知能と機械学習システムが芸術的な自由を奪い、背の高い物語を吐き出しているわけではないので安心したいと考えています。

これは、AIとML主導の意思決定がこれまでで最高レベルの採用であり、最も消極的な経営幹部でさえ、戦略へのデータ中心のアプローチから得られる莫大な利益を目にするようになっている今、特に当てはまります。 AIとMLの可能性に信頼が構築されるため、精度が重要になります。多くの人にとって、この質問は依然として頭に浮かびます。「データが全体像を示しているかどうか、そして事実に基づいているかどうかをどのように判断できるでしょうか。モデルを信頼するために知っておくべきことは何ですか？」

きしむようなクリーンなデータ

機械学習システムが不正確な予測を提供する場合、1つの原因であるデータに目を向けることができます。ブラックスワンイベントを除けば、データは予測システムの始まり、中間、終わりです。システムを確実にトレーニングしたり、予測の基礎を築いたりするのに十分なデータがなかった可能性があります。その場合、より多くのデータポイントで問題を解決できます。通常、このようなものは、モデルのアイデアの初期段階で、少なくとも展開の前に、少なくとも非常に不正確な予測を防ぐために、キャッチされます。ただし、より可能性の高い原因は、開始データが十分に「クリーン」ではなかったことです。十分にきれいなのは相対的です。一部のプロジェクトのデータ要件は、「私のスニーカーはスーパーマーケットに行くのに十分きれいですか？」に似ています。その他、特に重要なシステムや、生命、安全、福祉を伴うシステムでは、データをどれだけクリーンにする必要があるかという点で、「ほこりのない、唾を吐く、パレードの光沢」のシナリオに似ています。タスクを確実に（そして倫理的に）実行するため。

では、何がデータを汚すのでしょうか？ 短編小説は不正確または歪んだ情報です。

壊れたタグ、壊れたモデル

これは、不適切にタグ付けされたデータ、間違ったフィールドまたは間違った形式の間違った情報を持つデータである可能性があります。 2015年12月27日または2015年12月27日の代わりに2015年12月27日。最初のオプションは単にエラーをスローするか無視される可能性がありますが、最後の2つの日付形式を交換すると、精度に深刻な影響を与える可能性があります。また、無効なフォーマットが影響を与える可能性があるのは日付だけではありません。時間、SKU、数値が必要なテキスト、テキストが必要な数値、オーバーライド、アラーム、負荷、速度など、製造現場の機器から出力されるすべての特殊なデータストリームです。重要なのは、信頼できる一貫した構造がないと、データが乱雑になり、不正確な洞察につながる可能性があるということです。

MachineMetricsを使用すると、企業は、分析を容易にするためにさまざまなデータ型を標準化およびフォーマットする自動データ変換エンジンを利用できます。カスタムセンサー値、マシンステータス、モード、アラーム、オーバーライド、負荷、速度、フィード、PMCパラメーター、診断などを処理できます。

ソースを信頼できますか？

特にそれらのソースが人間である場合は、使用されているデータソースの正確性と正確性も考慮することが重要です。人間は最も正確な生き物ではありません。数字を丸めて忘れてファッジします。私たちは怠惰になったり、疲れたり、空腹になったり、気が散ったりします。人間のデータソースを使用する性質上、データは何らかの形でダーティになります。ここで、許容誤差を確認することが重要です。たとえば、機械のオペレーターは、使用する機器の状態に関するデータを追加している場合があります。ダウンタイムに関する情報を提供する場合、リストされている理由は正確である可能性がありますが、時間はより推定値です。これにより、予測システムの精度が低下します。これは、出力される応答も、真に正確なデータが提供された場合よりも推定値に近いためです。

これは、現実的な許容誤差を考慮する必要がある別のシナリオです。秒または30分間隔？マシンデータソーシングの場合、一部のユースケースではナノ秒以下を検討することもできます。プロジェクトにとってどの許容範囲が妥当であると見なされても、その許容範囲を適用し、システムに入力されるデータが正確さのためにこれらのパラメータ内に収まるようにすることが重要です。

MachineMetrics High-Frequency Data Adapterは、1kHzでマシンデータをキャプチャするため（標準の1Hzと比較して、1000倍高速）、アプリケーションが要求する精度のレベルに関係なく、ビートを逃すことはありません。

これは、企業がバイアスの可能性を探す必要がある場所でもあります。省略の嘘はまだおとぎ話の予測につながります。データソースは全体像を示すのに十分な広さで収集されていますか、それとも使用された収集方法の結果としてバイアスがかかる傾向がありますか？たとえば、生産ラインの労働者の平均給与を計算しようとしているが、すべての回答者が男性だった場合、男性と女性の両方を調査して明確にし、より正確な画像。このような潜在的な見落としを積極的に追求することで、よりクリーンなデータとより正確な予測につながる可能性があります。

コンテキストと複雑さ

システムが複雑になるほど、分析に使用できるものに変換しようとするときに、システムを支えるデータとロジックの不正確さ、不整合、リスク、および一般的な故障の余地が大きくなります。データを収集しようとしているプロセスには、いくつのステップがありますか？生データにコンテキストを与えるのに役立つ業界知識がありますか？たとえば、数分以内に複数回「ダウン」し、その間に本番環境が成功するマシンは、実際の本番稼働である可能性が低く、最初にダウンタイムの原因となった問題が完全に解決され、再調整され、 本物を再開する準備ができました 製造。ただし、これらの数値を入力時にデータセットに残すと、深刻な不正確さが生じ、訓練を受けていない人の目にはわかりにくい可能性があります。

これは、データサイエンスチームが業界のあらゆる分野で究極のエキスパートである必要があるという意味ではありません。ただし、それは専門家ができるチャネルを持つことを意味します コンテキストの追加は重要です。たとえば、MachineMetricsを使用すると、機械のオペレーターは、製造現場の機械のすぐ上にタブレットデバイスを装備できます。分析段階での精度を高めるために、数値データに人間のコンテキストをすばやく簡単に追加できます。この種のコンテキストチャネルがないと、ポットに投入する番号と破棄する番号を決定するための推測ゲームになる可能性があります。

ロスレス変換

あるものを別のものに変換する場合、基本的にはある程度の損失がありますが、それが鉱石を鋼に、綿を繊維に、またはデータを分析用の形式に変換する場合でも、許容できる損失の量とその方法を決定することが重要です。多くは予防可能です。クリーンで正確なデータから始めることは、クリーンで正確な分析の重要な最初のステップです。その段階を超えて、どのツールをどのアプリケーションに使用するか、忠実度が失われる可能性、およびこれがどの程度許容できる（または無関係である）かを検討する必要があります。これにより、データとモデルで何をしようとしているのか、どのような問題を解決しようとしているのか、そしてそれらを効果的に解決するために必要な精度のレベルを直接理解することができます。

MachineMetricsでは、あなたのデータがあなたに完全な真実を与えていることを確認します。私たちは業界の専門家であり、データ主導のアプローチを使用して、マシンのダウンタイム、出力の最適化、その他の無数のオプションなど、最も差し迫った問題を解決するために必要なデータの深さ、幅、種類を理解しています。共有と分析には、リアルタイムでも完全性と忠実性を維持する、シンプルで消化しやすい形式を使用しています。 MachineMetricsは、実証済みのプロセスを通じて、現場のデータを実際の意思決定と統合するタスクを簡素化します。このプロセスは、技術者以外の人でも簡単にDIYでインストールできるように、わかりやすい言語とツールで実装されています。 1週間足らずでお客様をROIに導きました。 MachineMetricsがあなたのビジネスのためにどのような種類の質問に答えることができるかを見たり、デモを予約したりするには、ここでいつでも私たちに連絡してください。