Управление проектом по внедрению анализа данных в реальном времени для производства

Пермяков А.О.

выпускник группы MBA CIO-49

Школы IT-менеджмента 

РАНХиГС при Президенте РФ

В нашу повседневную жизнь уже давно вошли высокие технологии. Они окружают нас и настолько плотно окружили нас своим вниманием, что человек за частую не замечает их присутствия, это и есть победа IT. Информационные технологии вошли во все аспекты окружающего мира, они не только его часть, но и полноценные участники многих процессов. Происходит трансформация практически всей человеческой деятельности за счет развития информационных технологий.

В отличии от передовых областей экономики, таких как финансовая, космическая, военная, промышленный сектор экономики является отстающим и зачастую использует наработки прошлых десятилетий. Это связано с множеством факторов, от времени внедрения новых технологий в производстве, что несопоставимо больше с остальными секторами экономики до стоимости внедрения инноваций. Но в настоящее время это может поменяться в положительную сторону. Это связанно с удешевлением хранения данных и скоростью обработки данных во времени.

В целом типичная ситуация для любого сектора производства. Накоплено большое количество данных на серверах, данные, собираемые со всевозможных датчиков и узлов, используются в качестве индикаторов и не используются повторно на благо производства. Все это можно поменять, не затрачивая больших ресурсов, и не привлекая большого количества специалистов по обработке данных.

Рис. 1 График роста популярности запросов BigData.

В основе этой трансформации лежит специализированное программное обеспечение, готовые решения и примеры внедрения на множестве передовых секторах производства. Созданный функционал с соответствующими инновациями начинает играть важную роль в производстве. 

В настоящее время можно выделить следующие ключевые тренды развития обработки данных в производстве: 

Machine Learning -это метод обработки данных, который позволяет принимать решения в автоматическом режиме на основании полученного собственного опыта. Предсказания по качеству выпущенной продукции за долго до ее реального выхода на склад хранения, определение ключевых параметров производства (не всегда самые очевидные).

Искусственные нейронные сети.  математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.

Машинное зрение. Предоставляет возможность исключить доминирующую роль человека в зрительном контроле за различными процессами в производстве.

Эти тренды вынуждают промышленность меняться. Небольшое количество предприятий в настоящее время, поняв этот тренд, внедряет эти технологии. При этом многие экономики сталкиваются с высокой стоимостью рабочей силы, что является драйвером роста обработки данных на предприятии. В недалеком будущем для нормального функционирования предприятия будут созданы цифровые двойники этих предприятий. Цифровые двойники, которым не нужно тратить значительные ресурсы на исследования новых технологий производства и даже новых продуктов, все это можно будет делать не использую реальные мощности предприятия.

В связи с этим, перед всеми производствами стоит множество вызовов, которые необходимо решить:

·                        недостаточная скорость внедрения изменений

·                        неэффективность использования данных

·                        Недостаточное количество специалистов по анализу данных нацелены на производство

Целью данной аттестационной работы является разработка методологии внедрения анализа данных на производстве. Решение задачи по адаптации методологии под нужды компании в рамках существующих ограничений.

В работе приведены реально существующие примеры внедрения анализа данных на нескольких предприятиях России.

В первой части дипломного проекта рассмотрены основные тренды настоящего времени, приведено описание деятельности компании. Приведен подробный анализ текущего процесса анализа данных на некоторых предприятиях, определены сильные и слабые стороны, на основе которых определены цели трансформации процесса производства программного обеспечения.

Во второй части работы представлено описание основных методологий разработки и внедрения программного обеспечения, проведен их сравнительный анализ и указаны преимущества каждой из них.

В заключении сформулированы основные результаты и выводы, полученные на основе настоящей аттестационной работы. На основании полученных показателей проведена оценка повышения эффективности при внедрении анализа данных на предприятии.