Dodám Vám jistotu
a efektivitu při optimalizaci Vašich technologií a produktů pomocí AI.
-
Stojí Vás inovace a vytěžení know-how z Vašich pracně nasbíraných dat příliš mnoho času, peněz a úsilí?
Jmenuji se Marek Malý a pomocí nejmodernějších metod experimentování (Design of Experiments), analýzy dat (Data Science), prediktivních modelů strojového učení (Machine Learning) a modelů strojového vidění (Computer Vision) Vás dovedu k lepším výsledkům. Pokud jste uživateli některého modelu a nemáte důvěru v jeho výstupy, nabízím Vám interpretaci neboli vysvětlitelnost rozhodnutí modelu (Explainable AI) s doporučením, v jaké oblasti model vylepšit.
PLÁNOVÁNÍ experimentů DOE
"Někdy jediná věc, kterou můžete udělat se špatně navrženým experimentem, je pokusit se zjistit, na čem zkolaboval." - Sir Ronald A. Fisher
DOE je zkratka z anglického Design of Experiments neboli navrhování experimentů. Je to metoda experimentování založená na statistických a matematických principech tak, aby bylo z co nejmenšího počtu provedených pokusů získáno maximální množství informací o chování produktu nebo procesu. To ocení kromě samotných experimentátorů i management, který ví, že čas a zdroje pro experimentování jsou omezené a každý bezhlavě provedený pokus navíc se může pořádně prodražit.
DOE je moderní metoda experimentování, při které se současně mění hladiny několika zkoumaných faktorů ovlivňujících chování produktu nebo procesu. To šetří čas v porovnání s rozšířenějšími metodami experimentování a zvyšuje se efektivita, jak ukazuje graf napravo. Zároveň DOE umožňuje zjistit, jak se vzájemně jednotlivé faktory ovlivňují. Často jsou to právě interakce mezi faktory, které rozhodují o úspěchu provedeného experimentu a přitom rozšířenější metody experimentování interakce zcela nesprávně zanedbávají. Více se o metodách experimentování, o fázích navrhování experimentů a případových studiích dozvíte níže.
Hlavním odvětvím pro uplatnění statisticky navržených experimentů DOE byl chemický a zemědělský průmysl. Později si efektivní experimentování osvojily i další odvětví jako automobilový a farmaceutický průmysl v rámci iniciativ Six Sigma a Quality by Design. Nejnověji se navrhování experimentů začíná uplatňovat i v marketingu a službách.
V dnešní době je více pozornosti věnováno umělé inteligenci a strojovému učení, nicméně tyto obory se s plánováním experimentů výborně doplňují. Umělá inteligence může poskytnout rešerši řešeného projektu. Strojové učení vyžaduje mít nasbíraná historická data, na kterých se bude model trénovat. Pokud data nemůžete získat v potřebném množství a kvalitě nebo je jejich sběr složitý, vzniká příležitost pro naplánování experimentu DOE. Pomocí statistiky se pečlivě rozhodne, který pokus provést, aby byl experiment ekonomický a zároveň aby poskytl věrohodný a užitečný model zkoumaného produktu či procesu. Pokud chcete konzultovat návrh experimentu, kontaktujte mě přes formulář níže.
metody experimentování
Měnit pouze jeden nebo více faktorů současně během experimentování?
screening (prosévání)
Tento typ experimentu se používá v případě, kdy je potřeba z velkého množství faktorů určit ty, které mají na vlastnosti produktu nebo procesu největší vliv.
cHARAKTErizace
Tento typ experimentu se používá v případě, kdy je potřeba nejenom rozpoznat faktory mající největší vliv na vlastnosti produktu nebo procesu, ale popsat i vzájemné interakce mezi těmito faktory.
optimalizace
Tento typ experimentu se používá v případě, kdy je potřeba nalézt optimální podmínky procesu nebo optimální vlastnosti produktu a to i v případě několika sledovaných odezev (výstupů) experimentu a několika omezujících podmínek.
A/B testování je jednoduchým typem plánovaného experimentu, ve kterém je testována změna pouze u jednoho faktoru. Tento typ experimentů je často využívaný hlavně v marketingových aplikacích jako třeba zvyšování návštěvnosti webů.
MACHINE LEARNING
Machine learning neboli strojové učení je oblast umělé inteligence zabývající se technikami, které umožňují počítači učit se a dělat rozhodnutí na základě zkušeností, podobně jako se učí člověk. Místo toho, aby se počítači přesně řeklo, co má dělat (pomocí naprogramování přesně po sobě jdoucích pokynů), poskytnou se mu trénovací data (příklady zkoumaného jevu z minulosti) a počítač se z nich buď sám nebo s učitelem/trenérem naučí, jaké jsou v datech souvislosti a podle jakých vzorů dělat předpovědi o budoucích případech.
Strojové učení se dá využít například pro prediktivní údržbu mechanických strojů, kde model na základě monitoringu klíčových parametrů procesu (první obrázek níže) identifikuje riziko výpadku stroje a doporučí provedení údržby. Dalším příkladem využití strojového učení je optimalizace a vývoj procesu, kde se dá vytvořit preskriptivní postup (druhý obrázek níže) nastavení parametrů procesu tak, aby se vždy dosáhlo na žádoucí výsledek. Například jak je potřeba nastavit parametry obrábění, aby se zvýšila drsnost povrchu výrobku. Sami určitě vymyslíte, kde by se Vám podobné postupy mohly hodit.
Pokud chcete využít mých služeb k natrénování vlastního prediktivního modelu, kontaktujte mě přes formulář níže.
COMPUTER VISION
Computer Vision neboli strojové vidění je obor, který učí počítače "vidět" a rozumět obrázkům nebo videím podobně jako lidé. Je to oblast umělé inteligence navazující na machine learning (strojové učení) a deep learning (hluboké učení). Výraz hluboké učení vychází z toho, že se pro trénink modelu využívají neuronové sítě s mnoha vrstvami "neuronů". První vrstvy se učí jednoduché geometrické tvary, hlubší vrstvy se naučí rozpoznávat komplexnější znaky v analyzovaném obrazu. Na příkladu klasifikace auta jako super-sport by se tedy první vrstvy naučily rozpoznat kola, další vrstvy by se zaměřily na přítomnost zadního spoileru a teprve hlubší vrstvy by porovnávaly tvar karosérie auta. Tento zjednodušený princip vyjadřuje obrázek níže.
Model strojového vidění může odhalit vady na výrobní lince, nálezy na rentgenových snímcích nebo může klasifikovat morfologickou krystalickou strukturu chemické sloučeniny. Uplatnění těchto modelů má potenciál v širokém spektru oborů.
EXPLAINABLE AI (XAI)
XAI neboli VYSVĚTLITELNÁ umělá inteligence je obor, jehož cílem je srozumitelně pro člověka vysvětlit rozhodnutí udělané umělou inteligencí a popsat důvody, které jí ke konkrétnímu rozhodnutí vedly.
Nespoléhejte se na AI jako černou skříňku, kam se vloží data, zatřese se s ní, z dat se stanou neznámo jak naučené vzory a nakonec z ní vypadne rozhodnutí, ke kterému nevíte, jak AI přišla. Typickým příkladem takových black box modelů je většina neuronových sítí.
Vysvětlitelnost rozhodování modelů je zásadní pro budování důvěry člověka používajícího AI model ve výstupy modelu. Pokud chcete využít mých služeb k vysvětlení rozhodování Vašeho modelu, kontaktujte mě přes formulář níže.
ROZBOR KONKRÉTNÍ PREDIKCE
Na příkladu modelu prediktivní údržby si můžeme ukázat, jak se dá vysvětlit například nejčerstvější předpověď modelu predikující nutné odstavení stroje. Všechny parametry stroje, které ukazují červenou šipkou doprava mají pozitivní efekt na hladký provoz stroje. Největší pozitivní efekt v této konkrétní predikci (+0,55) má teplota chladícího média (Coolant Temperature) s konkrétní hodnotou teploty v době predikce 7,9 stupňů C. Základní "baseline" hodnota je stanovená na ose x jako 1,027 a znamená hladký provoz. Jakákoliv hodnota pod -1 na ose x již znamená naklonění predikce na nutné odstavení stroje. Vidíme, že síla řezání (Cutting) na hodnotě 3,67 kN a kroutící moment (Torque) s hodnotou 17,899 Nm silně negativně ovlivňují (s efekty -2,82 a -3,52) poslední predikci směrem k doporučení odstavení stroje. Znalost toho, jak jednotlivá nastavení stroje ovlivňují predikci modelu pomůže vybudovat důvěru v používaný model, anebo naznačí nutnost dotrénování modelu v určité oblasti.
DATA SCIENCE
PRIORITY
Se znalostí důležitosti efektů jednotlivých procesních parametrů na výsledek se můžete snadno zaměřit na ty s největším dopadem.
SOUVISLOSTI
Korelace neznamená kauzalitu, přesto je užitečné znát vzájemné vztahy a míru závislosti mezi zkoumanými procesními parametry.
ROZHODOVÁNÍ
Mít mapu a vědět, kam vás zavedou různá nastavení procesních parametrů a jaký výsledek vás čeká v cíli, je obrovský rozdíl oproti improvizaci a bloudění. Dejte sbohem metodám založeným na pokusu a omylu.
TRENDY
Kdo vidí směr, kterým se ubírá trend, ten snadno využije momentum, které se nabízí. A platí to i v datech.
JUST DOE IT
REFERENCE
"Děkuji Markovi za skvělé školení a spolupráci při zdokonalování metody Design of Experiments na oddělení farmaceutického výzkumu a vývoje Teva Czech Industries."
Ing. David Lukáš - vedoucí pilotního výzkumu a vývoje
"Analýza dat lisovacích forem a tvé výpočty ukázaly přesně to, co nadřízení potřebovali vědět! Je úžasné, co se dá z 21 355 řádků vyčíst."
Jaromír Novák - technolog tvarování skla, Vinolok a.s.
"Spolehlivý a profesionální přístup k řešení plánovaného experimentu pro elektroerozivní drátové řezání. Ochota učit se nové obory a také kvalitní vyhodnocení experimentu."
Ing. Kateřina Mouralová, Ph.D. - Fakulta strojního inženýrství, VUT v Brně
Ing. Bc. Marek Malý
Na VŠCHT v Praze jsem ještě vystudoval obor Učitelství odborných předmětů, abych získal širší rozhled, lepší dovednosti v komunikaci a uměl jednoduše vysvětlovat složitější věci, čehož nyní využívám při konzultacích. Sami můžete posoudit, jak se mi to daří. Mám přes 10 let pracovních zkušeností ve výrobních závodech v tradičních českých firmách ve sklářském, farmaceutickém a energetickém průmyslu, kratší pracovní zkušenost z papírenského průmyslu u největšího výrobce papíru v Latinské Americe. Ve své praxi technologa a specialisty inovací jsem několikrát využil znalosti plánování statisticky navržených experimentů DOE a potvrdil jsem si, že správně naplánovaný a provedený experiment ve velké většině případů přinese přelomové výsledky napříč odvětvími. Nyní pracuji v oboru datové vědy. Níže si můžete prohlédnout mojí cestu k tomuto oboru. Svými znalostmi bych rád přispěl k většímu propojení vědy a průmyslu v České republice.
2024
Rozšířil jsem svoje služby o modely neuronových sítí, včetně metod Deep Learning a Computer Vision neboli hlubokého učení a strojového vidění. Těmito metodami Vám pomohu analyzovat hlavně obrazová data a trénovat modely na rozpoznávání vad či jiných žádoucích znaků z nasbíraných fotek. Pro bližší informace o spolupráci mě kontaktujte přes formulář na konci stránky.
Absolvoval jsem sérii online kurzů zaměřenou na optimalizaci výše uvedených metod.
2023
Rozšířil jsem svoje služby o moderní analytické a prediktivní metody Data Science a Machine Learning neboli datové vědy a strojového učení. Kontaktujte mě přes formulář na konci stránky a využijte naplno potenciál Vašich pracně nasbíraných dat. Vaše data zanalyzuji a vytvořím prediktivní model, který Vám umožní předvídat chování produktu, procesu nebo i zákazníků.
Absolvoval jsem sérii online kurzů jednoho z lídrů digitální transformace - firmy IBM.
2022
Začal jsem podnikat a přijímat zakázky od zákazníků v oblasti školení a konzultací plánování experimentů DOE.
Četl jsem odbornou literaturu Optimal Design of Experiments od autorů P. Goos, B. Jones. To mi umožnilo navrhovat DOE na míru Vašemu produktu nebo procesu bez kompromisů a bez ohýbání plánu experimentů, jenom aby vyhovoval klasickým šablonám DOE.
2021
Absolvoval jsem online kurz Arizonské státní univerzity (ASU) s názvem Odezvové plochy, směsi a jejich modelování. Pomohu Vám najít optimální podmínky procesů i optimální složení směsi při formulacích produktů.
Také jsem dokončil kurz pořádaný Královskou chemickou společností (RSC) s názvem Chytřejší experimentování pro vědce a inženýry.
2020
2019
Četl jsem odbornou literaturu Statistics for Experimenters - Design, Innovation, and Discovery od autorů G.E.P. Box, J.S. Hunter, W.G. Hunter, Practicing Statistics od autorů S. Kuiper, J. Sklar a Industrial Statistics - Practical Methods and Guidance for Improved Performance od autora A.M. Joglekar a začal jsem plánování experimentů DOE praktikovat ve svém zaměstnání.
2018
Úspěšně jsem absolvoval online kurz Massachusettského technologického institutu (MIT) s názvem Řízení výrobního procesu: modelování a kontrola rozptylu detailně se zabývající statistickým řízením procesu (SPC). Četl jsem odbornou literaturu DOE Návrh a analýza experimentu s pomocí MINITAB® od autora I. Millera.
KONZULTACE & ŠKOLENÍ
"Statistika je katalyzátorem inženýrské vědy, nikoliv její náhradou." - George E. P. Box
Použiji zde výše citovanou myšlenku, protože přesně vystihuje užitečnost spolupráce mezi statistikem a vědci, inženýry nebo pracovníky operujícími na daném procesu. Pracovníci z praxe mají velké zkušenosti a vědí, jak se proces chová v obecné rovině. Když ale do hry vstupuje optimalizace více parametrů najednou, zkušenosti a intuice přestávají stačit. Jako poradce DOE Vám pomohu proces vystihnout, kvantifikovat nejefektivnějším možným sběrem dat a vytvořím popisný nebo prediktivní model, který může odhalit i netušené interakce mezi zkoumanými faktory. Díky modelu se podaří získat cenné know-how, proces optimalizovat a často dosáhnout i zdánlivě nedosažitelných výsledků.
A jak bude naše spolupráce vypadat?
1) Domluvíme si úvodní konzultaci zahrnující definování problému, stanovení cíle, analýzu historických dat pokud jsou k dispozici.
2) Dohodneme se na podmínkách spolupráce.
3) Provedeme brainstorming se členy Vašeho týmu ohledně výběru zkoumaných faktorů, nastavení jejich úrovní a měření výstupní veličiny (odezvy).
4) Navrhnu jednotlivé kroky experimentu na míru Vašemu produktu nebo procesu podle stanoveného cíle a rozpočtu.
5) Provedeme jednotlivé kroky experimentu.
6) Zanalyzuji výsledky experimentu, vytvořím srozumitelnou zprávu a navrhnu další postup.
Tímto způsobem Vás provedu nástrahami experimentování. Také mohu pro Vaší firmu připravit školení o navrhování experimentů na míru znalostem Vašich pracovníků. Pokud Vás možnost spolupráce zaujala, neváhejte mě kontaktovat přes formulář uvedený na konci stránky.
Kontaktujte mě a probereme spolu Váš konkrétní projekt. Získejte více znalostí rychleji než konkurence. Experimentujte!
Kliknutím na tlačítko ODESLAT ZPRÁVU souhlasíte se zpracováním výše uvedených osobních údajů. Těším se na Vaší zprávu!
Marek Malý, IČO: 14125005 zapsaný v živnostenském rejstříku, Švermova 421/21, Liberec, 46010.
