如何成功地将机器学习模型快速部署到运营专家手中

我们从客户那里听到的一个常见痛点是，他们的数据科学家可以做的事情与他们的运营专家需要知道的事情之间存在很大差距。数据科学家团队通常负责从广泛的角度审视组织面临的挑战，并利用机器学习或人工智能等技术寻找解决方案。然而，他们缺乏的是运营方面的主题专业知识或整个业务中特定 KPI 的背景。

同样，运营专家拥有有关其制造流程的专业知识，并且非常了解将影响其流程的事物。但他们不具备——也不应具备——构建、训练机器学习模型或将其部署到运营中的数据科学专业软件开发知识。

在理想情况下，组织会将数据科学家与运营专家配对来解决特定问题。很多时候，都是这样。但是，随着组织希望在不确定的时期增强弹性，领导者要求员工以更少的资源、更快的速度做更多的事情。那么，我们如何弥合数据科学家和运营专家之间的鸿沟呢？

使用机器学习的力量：异常检测用例
运营专家希望与中央数据科学软件外包团队合作开展数据科学项目可能有多种原因。对于操作专家来说，机器学习可以定义为应用算法和统计模型来分析和预测作为一个或多个自变量函数的重要过程参数。一个这样的用例是更强的异常检测。

有些异常更难检测和预测。例如，在某些情况下，即使进程看似正常运行，也可能会发生异常。对于这些更复杂的案例，数据科学家可以应用一种称为异常检测模型的机器学习技术。他们可以识别与时间序列数据集的其余部分显着偏离并且已知不属于正常操作行为的稀有项目、事件或观察结果。它们可用于在发生特殊偏差时设置监视器和警报。

事实上，异常检测模型可以帮助防止工厂完全停工。在一个化工厂，来自一个过程的流体会定期泄漏到另一个过程的压缩机中。发生这种情况时，压缩机最终会损坏。他们修理损坏的压缩机的唯一方法是完全关闭工厂。软件外包工程师们已经确定振动是导致泄漏的原因。但是，他们没有办法监控问题。此外，一旦泄漏开始，操作专家就无法在压缩机损坏之前纠正异常情况。

首先，软件外包工程师在压缩机附近安装了振动传感器。然后，他们从这些传感器收集时间序列数据，并对其进行分析以找出良好行为的时期。然后，数据科学家将数据加载到集成到工业分析解决方案中的“集线器”中，以训练具有不同类型振动模式的机器学习模型。完成后，工程师根据经过训练的模型创建了一个新的机器学习模型标签。然后他们激活了新标签上的监视器，可以检测到不规则的振动。最后，他们使用分析软件解决方案来监控和警报功能，以通知关键利益相关者。

新的软传感器有助于避免工厂完全停工。当发生泄漏时，过程专家会收到警报，并有足够的时间在压缩机损坏之前进行干预。虽然机器学习模型标签会拾取正确类型的振动来指示问题，但工程师可能不会以其他方式意识到这一点。所有其他工艺参数均正常。

机器学习民主化的力量
那么，公司如何才能将机器学习的力量交到所有运营专家的手中呢？并改进集中式数据科学家与本地站点之间的协作，以解决更复杂的用例并实现卓越运营？

我们认为最好的解决方案是使用联合中央组作为促进者的混合模型。然后，各个业务部门负责进行持续改进。在这种环境中，集中的团队可以在高级分析解决方案中部署机器学习模型，并使组织中的每个人都可以使用它们。同时，数据科学家随时了解情况，以帮助解决最复杂的过程异常。

通过使用正确的工业分析软件使机器学习民主化，可以实现过程专家和中央数据科学小组之间的顺利共生。