Predictive Analytics
Analisis data sensor, mesin atau sistem IT melalui Nimitflow, daripada penerimaan dan penyimpanan data, analisis isyarat FFT hingga pembangunan model Machine Learning mengikut keperluan organisasi. Hasil disambungkan kepada papan pemuka, laporan dan pemberitahuan supaya pasukan dapat memantau trend dan merancang kerja.
Teliti Penggunaan dan Butiran
- Ramalkan anomali dan trend daripada data sejarah dan data berterusan menggunakan Machine Learning
- Uji model dengan data sejarah (Back-test) dan data masa nyata (Real-time) sebelum digunakan
- Boleh dipasang pada pelayan organisasi (On-Premise), berasingan daripada sistem sedia ada
Lihat Butiran Tambahan
- Graf membandingkan nilai sebenar dengan ramalan, berserta pemberitahuan melalui e-mel atau saluran sedia ada organisasi
- Latih semula model (Retrain) apabila data atau tingkah laku sistem berubah
- Setiap projek bermula dengan penilaian kesediaan data
Adakah sesuai untuk pekerjaan anda?
Siapa yang sesuai?
Pasukan analisis data, bahagian pengeluaran dan pasukan penyelenggaraan dengan data sejarah dan keperluan peramalan trend
Persiapkan maklumat sebelum berbicara
Matlamat ramalan, sampel data sejarah dan kaedah penilaian yang dikehendaki
Ringkasan
- Predictive Analytics ialah perisian ramalan dengan model Machine Learning yang dibangunkan Inspektion berdasarkan data setiap organisasi untuk mengenal pasti anomali dan trend sebelum masalah berlaku, kemudian memaparkan graf dan pemberitahuan bagi membantu keputusan pasukan anda.
- Inspektion membangunkan dan memasang sistem Machine Learning untuk meramalkan anomali masa respons transaksi 5 dan 10 minit ke hadapan bagi pelanggan industri kewangan di Thailand, pada pelayan pelanggan sendiri, serta menyediakan dokumen penutupan projek pada 2022.
- Projek kilang yang berkaitan ialah sistem pengiraan syot acuan dan peringatan penyelenggaraan yang diserahkan Inspektion kepada pengeluar komponen automotif di Thailand dan Kemboja pada 2021–2022. Sistem ini menggunakan pemberitahuan ambang, belum merupakan model ramalan.
- Setiap projek bermula dengan penilaian kesediaan data kerana ketepatan ramalan bergantung pada kelengkapan data, dan model perlu dilatih semula apabila data berubah.
- Pilih sistem mengikut tugas: gunakan InCBM untuk memantau keadaan mesin secara langsung daripada sensor getaran, Predictive Analytics untuk ramalan daripada pelbagai sumber data, dan mulakan dengan Data Lakehouse (sistem penyatuan pelbagai sumber data supaya sedia dianalisis) jika data tersebar dalam banyak sistem.
Daripada data sensor kepada graf dan pemberitahuan
Contoh dalam dokumentasi Nimitflow menunjukkan penerimaan data daripada peralatan pengukuran getaran AMS, diikuti rakaman dan analisis FFT (pemisahan isyarat mengikut frekuensi), kemudian dihantar kepada papan pemuka InCBM untuk melihat graf, trend dan sejarah pemberitahuan.
- 1
Terima dan simpan data
Sambungkan sensor atau sumber data kepada aliran kerja dalam Nimitflow untuk merekod data dan sejarah secara berterusan
- 2
Analisis isyarat dan bangunkan model
Gunakan FFT untuk memeriksa komponen frekuensi isyarat dan menyediakan data latihan Machine Learning mengikut matlamat ramalan, dengan pengujian hasil sebelum penggunaan
- 3
Paparkan hasil dan kongsikan dengan pasukan
Sambungkan hasil kepada papan pemuka seperti InCBM atau Grafana, berserta syarat pemberitahuan, log peristiwa dan laporan mengikut skop sistem
Pilih kaedah analisis yang sesuai dengan tugas
FFT dan pemberitahuan ambang merupakan sebahagian daripada analisis isyarat dan pemantauan keadaan. Ramalan Machine Learning memerlukan data untuk melatih dan mengesahkan model. Contoh ini menerangkan penyepaduan sistem, bukan bukti ketepatan model.
Untuk siapa Predictive Analytics dan apakah masalah yang ditangani?
Predictive Analytics sesuai untuk pasukan yang sudah mempunyai data sejarah mesin, proses pengeluaran atau sistem IT dan mahu mengenal pasti tanda anomali sebelum masalah berlaku. Machine Learning mempelajari corak data terdahulu lalu meramalkan nilai akan datang. Apabila nilai ramalan memenuhi ambang yang ditetapkan, sistem memberitahu pasukan untuk memeriksa.
Banyak organisasi hanya mengetahui masalah selepas mesin berhenti atau kecacatan berlaku, atau menjalankan penyelenggaraan mengikut jadual tanpa melihat keadaan sebenar. Isyarat awal sering sudah terdapat dalam data yang direkod sistem. Predictive Analytics menganalisis data itu secara berterusan, sementara pasukan anda menentukan cara bertindak.
Keupayaan Predictive Analytics
- Penyelenggaraan ramalan (Predictive Maintenance) — menganalisis data mesin, seperti bilangan syot mesin pengacuan suntikan, untuk memberi notis awal tentang jadual penyelenggaraan pencegahan
- Ramalan trend kualiti — memantau trend daripada data proses pengeluaran berterusan untuk melaraskan proses sebelum kecacatan berlaku
- Pengesanan anomali (Anomaly Detection) — meramalkan nilai akan datang lalu memaparkan graf perbandingan nilai sebenar dengan ramalan
- Pemberitahuan — dihantar kepada pasukan berkaitan melalui e-mel atau saluran sedia ada organisasi apabila nilai analisis memenuhi kriteria yang memerlukan tindakan
| Masalah Biasa | Bagaimana Predictive Analytics membantu |
|---|---|
| Masalah hanya diketahui selepas berlaku | Ramalkan nilai lebih awal supaya pasukan mempunyai masa untuk memeriksa sebelum kejadian |
| Penyelenggaraan mengikut jadual tanpa mengambil kira penggunaan sebenar | Mulakan dengan pemberitahuan berdasarkan bilangan syot sebenar, kemudian gunakan data terkumpul untuk ramalan |
| Data tersedia, tetapi tiada pemantauan berterusan | Analisis berterusan dan graf papan pemuka yang membandingkan nilai sebenar dengan ramalan |
| Data tidak dapat dieksport keluar dari organisasi | Dipasang pada pelayan organisasi (On-Premise) |
Apakah perbezaan ramalan dengan pemberitahuan ambang?
Pemberitahuan ambang dicetuskan apabila nilai semasa mencapai angka ditetapkan, contohnya bilangan syot mencapai sela penyelenggaraan. Ramalan menggunakan model untuk menjangka nilai akan datang daripada corak data sejarah, lalu memberi pemberitahuan sebelum nilai sebenar menjadi luar biasa. Jika data terkumpul belum mencukupi, mulakan dengan pemberitahuan ambang.
Cara Predictive Analytics berfungsi
Predictive Analytics melibatkan 5 langkah: menilai data, menyediakan data, melatih dan menguji model, memasang sistem berserta pemberitahuan, serta menjaga model selepas digunakan. Langkah pertama menentukan skop projek kerana data tersedia menentukan sejauh mana ramalan boleh dibuat.
- 1
Tinjau dan nilai kesediaan data
Kami meneliti matlamat ramalan, sampel data sejarah dan kaedah penilaian yang anda kehendaki untuk menilai sama ada data mencukupi bagi ramalan.
- 2
Sediakan dan bersihkan data
Ambil data daripada sistem sumber, buang nilai yang salah atau hilang, kemudian susun dalam format untuk latihan model
- 3
Latih dan uji model
Latih model ramalan siri masa (Time-series ialah data yang disusun mengikut masa), kemudian uji dengan data sejarah (Back-test) dan data masa nyata (Real-time) sebelum digunakan
- 4
Pasang sistem dan pemberitahuan
Pasang pada pelayan organisasi, paparkan graf perbandingan nilai sebenar dengan ramalan pada papan pemuka, dan hantar pemberitahuan apabila nilai memenuhi ambang ditetapkan
- 5
Jaga dan latih semula model
Periksa data dan graf ramalan secara berkala, serta latih semula model (Retrain) apabila data atau tingkah laku sistem berubah
Sistem hanya memaparkan hasil dan menghantar pemberitahuan. Sistem tidak menghentikan mesin atau mengubah tetapan operasi secara automatik. Apabila menerima pemberitahuan, pasukan anda memutuskan sama ada perlu memeriksa, membaiki atau melaraskan proses.
Tugas manakah yang sesuai dan tidak sesuai untuk Predictive Analytics?
Predictive Analytics sesuai untuk tugas yang mempunyai data sejarah berterusan, matlamat ramalan yang jelas dan pihak bertanggungjawab apabila pemberitahuan diterima. Ia tidak sesuai jika tiada data direkod atau sistem diharapkan membuat keputusan bagi pihak pasukan. Dalam keadaan itu, mulakan dengan pengumpulan data atau pemberitahuan ambang.
| Pekerjaan | Adakah sesuai untuk Predictive Analytics? | Sebab-sebab atau perkara-perkara yang perlu dilakukan |
|---|---|---|
| Ramalkan anomali daripada data yang direkod secara berterusan mengikut masa, seperti data transaksi atau operasi sistem | Sesuai | Sejenis dengan kes sistem transaksi industri kewangan yang menggunakan model ramalan siri masa |
| Data tidak dapat dieksport keluar dari organisasi | Sesuai | Dipasang pada pelayan organisasi, berasingan daripada sistem sedia ada |
| Tentukan sela penyelenggaraan acuan berdasarkan bilangan syot | Mulakan dengan pemberitahuan ambang | Jika mesin sudah menyimpan data syot dalam fail, pengiraan syot dan peringatan penyelenggaraan boleh dilakukan tanpa model |
| Ramalkan trend kualiti atau penyelenggaraan dalam barisan pengeluaran menggunakan model | Boleh dilaksanakan; belum ada kes yang diserahkan | Projek kilang yang telah diserahkan menggunakan pemberitahuan ambang. Kami terlebih dahulu menilai data sebenar anda pada peringkat tinjauan. |
| Data tersebar dalam pelbagai sistem | Boleh dilaksanakan selepas data disatukan | Susun data dengan Data Lakehouse terlebih dahulu supaya model menerima data lengkap dan konsisten |
| Pantau keadaan motor menggunakan sensor getaran | Gunakan InCBM | InCBM merumuskan bacaan kesihatan setiap sensor dan membolehkan anda menetapkan ambang Warning/Critical |
| Belum ada data sejarah, atau rekod masih di atas kertas | Belum sesuai | Mulakan pengumpulan data secara berterusan, kemudian nilai semula kesediaan |
| Mengharapkan sistem menghentikan mesin atau meluluskan pelepasan kerja secara automatik | Tidak sesuai | Sistem memaparkan hasil dan pemberitahuan; pasukan anda membuat keputusan |
| Memerlukan angka ketepatan sebelum projek bermula | Perlu dibincangkan dahulu | Ketepatan bergantung pada data anda. Kami bersetuju tentang kaedah penilaian pada peringkat tinjauan, kemudian mengukurnya melalui ujian Back-test dan Real-time. |
InCBM
- Pantau keadaan mesin secara langsung daripada sensor getaran
- Rumuskan bacaan kesihatan setiap sensor dan tetapkan sendiri ambang Warning/Critical
- Muat turun aplikasi Android untuk mencubanya
Predictive Analytics
- Ramalan daripada pelbagai sumber termasuk mesin, proses pengeluaran dan sistem IT
- Latih model mengikut data dan matlamat setiap organisasi
- Harga mengikut skop data dan proses
Ringkasan: Kedua-duanya boleh digunakan bersama — pilih mengikut keperluan pemantauan keadaan mesin atau ramalan daripada pelbagai sumber data
Pengalaman ramalan data dan pengajaran yang kami peroleh
Kami menjalankan 2 jenis projek berkaitan. Pertama, sistem Machine Learning untuk meramalkan anomali transaksi dalam industri kewangan Thailand pada 2021–2023. Kedua, sistem pengiraan syot acuan dengan peringatan penyelenggaraan berasaskan ambang dalam industri komponen automotif Thailand dan Kemboja pada 2021–2022. Projek pertama menggunakan model ramalan; projek kedua menggunakan pengiraan dan ambang, bukan model ramalan.
Ramalan anomali transaksi · Industri kewangan · Thailand · 2021–2023
Pada 2021–2023, kami membangunkan dan memasang sistem Machine Learning bagi pelanggan industri kewangan Thailand yang mengurus sistem transaksi pembayaran. Model LSTM (rangkaian neural untuk data tersusun mengikut masa) meramalkan anomali masa respons transaksi 5 dan 10 minit ke hadapan. Sistem dipasang pada pelayan Production dan Development pelanggan, berasingan daripada sistem pemprosesan transaksi.
Sistem ini merangkumi latihan semula model, sandaran dan pemulihan data, serta graf Grafana yang membandingkan nilai sebenar dengan ramalan. Kami menyediakan dokumen penutupan projek pada 2022, diikuti penyelenggaraan mengikut kontrak. Pada 2023, kami mencuba latihan semula dengan 3 algoritma tambahan — CNN-LSTM, Random Forest dan XGBoost — untuk membandingkan ketepatan bagi setiap ufuk ramalan.
Pengiraan syot acuan dan peringatan penyelenggaraan · Komponen automotif · Thailand dan Kemboja · 2021–2022
Kami menyerahkan aplikasi web dengan 5 bahagian untuk mengira syot acuan suntikan kepada pengeluar komponen automotif di Thailand pada 2021, kemudian memasangnya di tapak pengeluaran Kemboja pada 2022. Sistem menggabungkan bilangan syot bagi setiap acuan daripada fail mesin 2 jenama, memaparkan status OK / Warning / PM dan menghantar e-mel untuk sehingga 5 syarat bagi setiap acuan. Ini ialah pemberitahuan berasaskan ambang; data syot yang dikumpul berterusan menjadi titik permulaan ramalan penyelenggaraan.
Baca kes selengkapnya
Apakah yang kita pelajari
- Pengumpulan dan transformasi data mengambil banyak masa pada awal projek ramalan transaksi, jadi akses kepada data sejarah mesti tersedia sejak permulaan projek.
- Ketepatan bergantung pada kelengkapan dan kesinambungan data. Kaedah penilaian dan ufuk ramalan mesti dipersetujui terlebih dahulu, bagi ujian sejarah dan masa nyata.
- Model memerlukan penjagaan berterusan selepas pemasangan. Selepas penutupan projek, kami mencuba latihan semula dengan algoritma lain untuk membandingkan ketepatan dan mencadangkan pertimbangan data perkakasan pelayan sebagai input tambahan.
- Gunakan data yang sudah direkod mesin sebelum menambah sensor, dan semak bacaan dengan fail laporan mesin sebelum digunakan. Dalam projek pengiraan syot, bilangan yang dibaca sistem sepadan dengan fail laporan mesin semasa ujian penutupan projek.
Apa yang bermaksud untuk anda?
Sebelum memberikan sebut harga, kami meminta matlamat ramalan dan sampel data sebenar untuk memeriksa kelengkapan, kesinambungan serta tempoh rekod. Jika data belum mencukupi, mulakan dengan pengumpulan data dan pemberitahuan ambang. Sokongan selepas pemasangan, seperti jadual semakan hasil ramalan dan latihan semula, wajar ditetapkan dalam skop sejak awal.
Spesifikasi teknikal
| Jenis | Perisian analitik ramalan dengan model yang dibangunkan dan disesuaikan berdasarkan data setiap organisasi |
|---|---|
| Keupayaan | Penyelenggaraan ramalan · Trend kualiti · Pengesanan anomali |
| Teknik dalam projek sebenar | Machine Learning dengan model LSTM untuk ramalan siri masa · Ujian perbandingan CNN-LSTM, Random Forest, XGBoost |
| Pengujian model | Data sejarah (Back-test) dan data masa nyata (Real-time) |
| Pemasangan | Pada pelayan organisasi (On-premise) |
| Paparan | Graf perbandingan nilai sebenar dengan ramalan, contohnya papan pemuka Grafana |
| Pemberitahuan | E-mel atau saluran sedia ada organisasi |
Butiran teknikal berasal daripada projek sebenar syarikat. Model dan alat bagi setiap projek dipilih berdasarkan data sebenar pada peringkat reka bentuk.
Seni bina dan sambungan
sistem yang boleh dihubungkan
- Data Lakehouse organisasi — sumber data berstruktur
- Papan pemuka Grafana — graf perbandingan nilai sebenar dengan ramalan
- E-mel atau saluran pemberitahuan sedia ada organisasi
Kaedah Sistem
- Data sejarah daripada mesin, proses atau sistem yang hendak diramalkan — jumlah diperlukan dinilai daripada data sebenar pada peringkat tinjauan
- Pelayan organisasi untuk latihan dan pelaksanaan model (On-premise) — spesifikasi ditentukan mengikut jumlah data pada peringkat reka bentuk
- Data Lakehouse tidak diperlukan terlebih dahulu jika data sudah sedia digunakan
Model Licensyen
sebut harga berdasarkan skop projek
Harga bergantung pada skop data dan proses yang hendak diramalkan. Hubungi pasukan kami untuk mendapatkan sebut harga.
- Pasukan menilai kesediaan data pada peringkat tinjauan sebelum mencadangkan skop dan harga
- Sokongan selepas penyerahan, seperti pemeriksaan data, semakan graf ramalan dan latihan semula model, dipersetujui dalam skop kerja
Industri yang digunakan
- Kewangan — ramalan anomali sistem transaksi pembayaran
Contoh aliran kerja dan paparan daripada dokumentasi Nimitflow
Cara untuk bermula
Hantarkan matlamat ramalan dan sampel data anda. Kami menilai kesediaan data pada peringkat tinjauan, kemudian mencadangkan skop kerja dan sebut harga.
apa yang perlu disediakan
- Matlamat ramalan — perkara yang ingin diketahui lebih awal, seperti jadual penyelenggaraan, trend kualiti atau anomali sistem
- Sampel data sejarah serta sistem atau fail yang sedang menyimpan data
- Kaedah penilaian yang dikehendaki dan ufuk ramalan
- Pihak bertanggungjawab apabila pemberitahuan diterima dan saluran pemberitahuan sedia ada organisasi
Soalan Sering Ditanya
Berapa banyak data sejarah diperlukan sebelum ramalan boleh dimulakan?
Tiada jumlah minimum yang sesuai untuk semua tugas. Jumlah diperlukan bergantung pada sifat data, proses dan ufuk ramalan yang dikehendaki. Kami menilai kesediaan daripada sampel data sebenar pada peringkat tinjauan sebelum projek bermula.
Adakah Data Lakehouse diperlukan terlebih dahulu?
Tidak semestinya. Jika organisasi sudah mempunyai data sedia digunakan, kerja boleh dimulakan terus. Jika data tersebar dalam pelbagai sistem, kami mencadangkan penyusunan melalui Data Lakehouse terlebih dahulu supaya model menerima data lengkap dan konsisten.
Adakah data perlu dihantar ke luar organisasi?
Tidak. Predictive Analytics boleh dipasang pada pelayan organisasi. Dalam projek ramalan transaksi untuk pelanggan industri kewangan Thailand, sistem dipasang pada pelayan Production dan Development pelanggan sendiri, berasingan daripada sistem pemprosesan transaksi, dengan sandaran dan pemulihan data. Konfigurasi pemasangan setiap projek ditentukan pada peringkat reka bentuk.
Adakah model kekal tepat apabila data berubah?
Tidak semestinya. Jika data atau tingkah laku sistem berubah, model perlu dilatih semula kerana ketepatan bergantung pada kelengkapan data. Sistem ramalan transaksi mempunyai fungsi latihan semula, dan selepas penutupan projek kami mencuba algoritma lain untuk membandingkan ketepatan. Kami mencadangkan latihan berterusan dan pertimbangan data tambahan berkaitan sebagai input.
Apakah perbezaan Predictive Analytics dengan InCBM?
InCBM memantau keadaan mesin secara langsung daripada data sensor getaran (Condition-Based Monitoring) dan memberi pemberitahuan mengikut ambang yang anda tetapkan. Predictive Analytics meramalkan daripada pelbagai sumber data, meliputi kualiti dan penyelenggaraan, dengan model dilatih berdasarkan data setiap organisasi. Kedua-dua sistem boleh digunakan bersama.
Berapakah harga Predictive Analytics?
Harga bergantung pada skop data dan proses yang hendak diramalkan. Kami terlebih dahulu menilai kesediaan data pada peringkat tinjauan, kemudian mencadangkan skop dan sebut harga. Sokongan selepas pemasangan dipersetujui dalam skop kerja.
