Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

Yandex Cloud for IIoT and ML projects

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité

Consultez-les par la suite

1 sur 19 Publicité

Yandex Cloud for IIoT and ML projects

Télécharger pour lire hors ligne

Why it's a good idea choose Yandex Cloud for industrial IoT and ML projects

Why it's a good idea choose Yandex Cloud for industrial IoT and ML projects

Publicité
Publicité

Plus De Contenu Connexe

Similaire à Yandex Cloud for IIoT and ML projects (20)

Plus récents (20)

Publicité

Yandex Cloud for IIoT and ML projects

  1. 1. Почему для проектов индустриального IoT и ML сейчас лучше выбирать облако Максим Хлупнов Архитектор облачных решений
  2. 2. 2 Краткое содержание 1. Чем промышленные решения расширенной аналитики и индустриального ML отличаются от привычной цифровизации производственных процессов 2. Слагаемые успешного внедрения индустриального ML 3. Почему облако — лучший выбор для старта проекта индустриального ML/AI. Особенно сейчас 4. С чего начать проект, какие сценарии наиболее актуальны
  3. 3. 3 Облачные технологии помогают успевать за стремительными изменениями на рынке Физические активы Произведённая продукция Сырьё и комплектующие Производственные процессы Склады Интеллектуальное производство Цифровые активы Цифровые продукты Цифровые способы взаимодействия с рынком Данные, цифровые процессы и приложения Корпоративная культура В числе крупнейших компаний мира остались только цифровые компании. Крупнейшая по капитализации российская компания — цифровая. НИОКР Снабжение Маркетинг Продажи Сервис Производство
  4. 4. 4 Простой цифровизации процессов уже недостаточно. От внедрения ML ждут качественно новой эффективности бизнеса Традиционные ИТ уже адаптировали облачные технологии. Индустриальный сектор ждёт инновационной отдачи от внедрения ML/AI
  5. 5. 5 Внедрение индустриального ML подразумевает выполнение двух проектов Удалённый мониторинг — сбор и хранение производственных данных Подключайтесь к оборудованию и собирайте данные о его состоянии, чтобы анализировать фактические данные и улучшать бизнес-показатели благодаря оптимизации процессов Управление на основе данных Прогнозируйте потребности в обслуживании и предупреждайте простой за счёт подключения к устройствам и мониторинга их состояния
  6. 6. 6 Слагаемые успешного ML-проекта Инфраструктура Специалисты Модели и ML-аппарат Данные Процессы Обновлённые данные Промышленные системы и производственные процессы Результаты применения модели Разработка модели Переобучение Применение модели Подготовка данных
  7. 7. 7 Почему внедрение ML в процессы промышленных предприятий пока не стало массовым? Отсутствие качественных данных Сложность и высокая стоимость систем сбора данных с оборудования Необходимость объединить усилия специалистов прикладной области, ИТ-специалистов и специалистов по Data Science Высокие требования к защите данных и безопасности системы Проектные риски и сложно предсказуемый экономический эффект
  8. 8. Требуются специалисты для всех уровней, включая платформенные сервисы Требуются инвестиции сразу в объёме продуктивного развёртывания Заказ дополнительного оборудования — это долго, дорого, спецификация неясна. GPU труднодоступны Изменения в архитектуре решения крайне болезненны 8 Реализация проекта на on-prem в текущих условиях Требуется длительный цикл согласований Привлекать внешних подрядчиков сложно, так как работы ведутся во внутренней инфраструктуре
  9. 9. 9 Почему облако — лучший выбор для старта проекта индустриального ML/AI Особенно сейчас
  10. 10. Готовая платформа данных и платформа ML/AI в облаке
  11. 11. Гибкий процесс разработки ML-решений, снижающий риски Начинаем с экспериментов Если нужно, проверяем удачный эксперимент на большом наборе данных Внедряем работающую модель в рабочие процессы. Решаем задачи с регулярным запуском модели, мониторингом моделей, отправкой модели на переобучение при падении качества Важные элементы работы модели «До» (входные данные): наладили регулярную поставку и обработку данных для модели «После»: результаты работы модели забираем в необходимый процесс компании или блок работы с данными
  12. 12. Готовая среда для экспериментов Не нужно тратить время на установку и настройку необходимого окружения • Поддерживаются все популярные библиотеки Включая TensorFlow, PyTorch, Keras • Список предустановленных библиотек постоянно расширяется • Можно обновить библиотеки до нужной версии Upgrade и downgrade • Есть возможность установить свои библиотеки • Платите только за время вычислений
  13. 13. Готовый процесс коллективной работы над проектами Различные варианты совместной работы — удобное привлечение подрядчика • Интеграция с Git и DVC • Возможность поделиться ноутбуком в формате HTML • Возможность скачать ноутбук • Возможность экспорта проекта в формате ZIP • Экспорт и импорт контрольных точек (версий) проекта
  14. 14. 14 Эксперимент превращается в процесс В рамках функциональности Deploy моделей DataSphere Управление моделями Обучение моделей Операционализация моделей Исполнение моделей Валидация и мониторинг моделей Deploy
  15. 15. Готовый процесс применения моделей Сервис разбирается на отдельные фрагменты Фрагменты связаны между собой через общие ресурсы Порядок исполнения сервисов зависит от запроса и координируется единым механизмом 15
  16. 16. 16 Наиболее распространённые сценарии Предиктивное обслуживание Через сколько циклов запуска откажет данный узел? Я могу провести предупредительный ремонт и предотвратить отказ Оптимизация процессов При каких значениях технологических параметров работы установка потребляет наименьшее количество электроэнергии? Я могу определить передовой опыт и выделить ресурсы на его тиражирование Контроль качества Будет ли выпущено бракованное изделие в ближайший цикл? Я могу переделать продукт, процесс, обучение Прогноз нагрузки Какие объёмы использования оборудования и запчастей я могу ожидать? Я могу оптимизировать своё штатное расписание и использование активов Отклонения и аномалии Какие машины работают неправильно? Я могу немедленно начать обследование Оптимизация поставок Каковы требования и поставщик для запчасти? Я могу упростить и оптимизировать закупки Эффективные устройства Могут ли мои здания, установки и оборудование работать с максимальной эффективностью? Я могу уменьшить ненужные затраты
  17. 17. 17 Разработка в облаке, прод в on-prem Уровень 0 Технологический процесс Уровень 1 Контрольно-измерительные приборы и аппаратура Уровень 2 АСУТП Уровень 3 Граничный шлюз и адаптер протокола Уровень 4 Транспорт и маршрутизация потоков данных Apache Kafka connector Уровень 5 Хранилище данных АСУТП (historian) Apache Kafka уровня предприятия Clickhouse Kafka Table Engine Уровень цеха Уровень предприятия Уровень группы OPC UA (DA/HDA) zc-a Alive zc-b Alive Zookeeper zc-a Alive zc-b Alive Zookeeper hstNa Alive hstNb Alive ClickHouse Shard N hst1a Alive hst1b Alive ClickHouse Shard 1 zc-c Alive hst2a Alive hst2b Alive ClickHouse Shard 2 hst1a Alive hst1b Alive ClickHouse Shard 1 Apache Kafka уровня предприятия abok.ru/news.php?id=4150 ClickHouse Kafka Table Engine Входящие потоки от всех предприятий группы Confluent Mirror Maker
  18. 18. Выводы 19 1 2 Yandex Cloud предоставляет сервисы платформы данных и ML, которые легко интегрируются Проекты индустриального ML требуют наличия качественных данных 3 4 Готовые процессы и гибкие сценарии использования результатов — применение в облаке или в своей инфраструктуре Yandex Cloud позволяет снизить технические риски, стоимость проекта и time to market. Доступ к нужным сервисам по требованию Почему для проектов индустриального IoT и ML сейчас лучше выбирать облако
  19. 19. Спасибо! Вопросы? Максим Хлупнов Архитектор облачных решений makhlu@yandex-team.ru t.me/M_Khlu

×