Лекция

1.

Предиктивная аналитика в производственных процессах
Лекционный материал
От производственной задачи и исторических
данных — к прогнозу, оценке качества и
обоснованному решению.
Материал рассчитан на взрослых слушателей с
базовым или средним уровнем подготовки.
ЛЕКЦИОННЫЙ МОДУЛЬ
ДАННЫЕ
→
МОДЕЛЬ
→
РЕШЕНИЕ
Главный вопрос лекции:
как превратить прогноз в полезное
производственное действие?
1

2.

Маршрут лекции
Блок 1. Основы
Блок 2. Постановка задачи
Блок 3. Данные и модели
Что такое предиктивная
аналитика, чем она отличается
от отчётности и где применяется.
Как выбрать целевую
переменную, определить
признаки и сформулировать
полезный прогноз.
Качество данных, регрессия,
классификация, обучение и
проверка.
ЛЕКЦИОННЫЙ МОДУЛЬ
Блок 4. Оценка качества
Блок 5. Внедрение
Метрики, базовый уровень,
ошибки и ограничения моделей.
Как читать результат, связывать
его с действиями и
контролировать качество после
запуска.
2

3.

1. Что такое предиктивная аналитика?
Предиктивная аналитика использует исторические данные и
статистические/машинные модели, чтобы оценить вероятное значение или
событие для нового случая.
Вход
Обработка
Выход
История заказов, параметры
оборудования, смена, настройки,
результаты контроля качества.
Проверка данных, выбор
признаков, обучение алгоритма и
оценка ошибок на отложенных
данных.
Например, прогноз длительности
цикла 94 минуты или оценка риска
брака 0,28.
Важно: модель оценивает вероятность по найденным закономерностям. Она не знает будущее и
не доказывает причинно-следственную связь.
ЛЕКЦИОННЫЙ МОДУЛЬ
4

4.

Четыре уровня аналитики: от описания к действию
Вид
На какой вопрос отвечает
Пример на производстве
Результат
Описательная
Что произошло?
Средняя длительность цикла за месяц
выросла.
Отчёт, KPI
Диагностическая
Почему это могло произойти?
Рост совпал с увеличением переналадок. Гипотезы о факторах
Предиктивная
Что вероятно произойдёт?
Оценка длительности нового заказа.
Прогноз / вероятность
Предписывающая
Что целесообразно сделать?
Сравнить сценарии переноса заказа.
Рекомендации для решения
Предиктивная модель — часть процесса принятия решений, а не самостоятельная замена технолога или руководителя.
ЛЕКЦИОННЫЙ МОДУЛЬ
5

5.

Зачем производству прогноз?
1. Планирование сроков
Оценка длительности заказа помогает реалистичнее планировать график и предупреждать о вероятных задержках.
2. Контроль качества
Оценка риска брака позволяет направить дополнительную проверку туда, где она может быть полезнее.
3. Управление загрузкой
Прогноз загрузки помогает заметить потенциальные перегрузки и сравнить варианты распределения заказов.
4. Обслуживание оборудования
История отказов и параметров работы может поддержать оценку риска, но требует качественных датчиков и записей.
5. Экономический эффект
Ценность возникает, если прогноз меняет решение и снижает потери, простои или число срочных перенастроек.
ЛЕКЦИОННЫЙ МОДУЛЬ
6

6.

Прогноз должен отвечать на конкретное решение
Производственная проблема Прогноз
Кто использует
Возможное действие
Срок заказа неизвестен
Длительность цикла
Планировщик
Пересмотреть план/обещанный срок
Возможен брак
Вероятность дефекта
Контроль качества
Назначить дополнительную проверку
Риск перегрузки
Загрузка оборудования
Начальник смены
Перераспределить очередь заказов
Частые простои
Риск отказа (при наличии
данных)
Служба эксплуатации
Проверить состояние оборудования
Начинайте не с вопроса «какую нейросеть взять?», а с вопроса «какое решение нужно улучшить?».
ЛЕКЦИОННЫЙ МОДУЛЬ
7

7.

2. Как сформулировать задачу аналитики
Слишком общее описание
Рабочая формулировка
«Использовать ИИ для повышения
эффективности производства».
«До запуска заказа оценивать длительность
цикла в минутах по известным параметрам
заказа и оборудования».
Хорошая постановка задачи задаёт пять вещей:
Объект
Момент
Цель
Горизонт
Решение
Что
прогнозируем:
заказ, изделие,
станок, смену.
Когда делаем
прогноз: до
запуска, в начале
смены, после
измерения.
Что именно
предсказываем и
в каких единицах.
На какой период
или этап нужен
прогноз.
Что изменится в
действиях, если
прогноз высокий
или низкий.
ЛЕКЦИОННЫЙ МОДУЛЬ
8

8.

Целевая переменная: что именно должна предсказать модель?
Пример регрессии
Пример классификации
Целевая переменная: cycle_time_minutes
Значение: 94.5
Смысл: сколько минут займёт цикл заказа.
Целевая переменная: defect
Значение: 1 — дефект; 0 — дефекта нет.
Смысл: к какому классу относится случай.
Критерий выбора: целевая переменная должна соответствовать реальному решению и иметь
надёжно записанные исторические значения.
Если длительность записывают по-разному, а дефекты выявляются не для всех изделий, модель
научится воспроизводить ошибки и пробелы учёта.
ЛЕКЦИОННЫЙ МОДУЛЬ
9

9.

Признаки X и целевая переменная y
X — входные признаки
Модель
y — цель
Размер заказа
Находит
закономерности в
исторических
примерах.
Длительность цикла
Возраст оборудования
Стаж оператора
Температура и давление
→
→
или класс брака
или загрузка
Время переналадки
Смена
Важное правило: в X включают только информацию, которая реально известна в момент
прогноза. Иначе возникает утечка данных.
ЛЕКЦИОННЫЙ МОДУЛЬ
10

10.

Утечка данных: почему модель может обманывать
1. Что это такое
В признаки попала информация, которая стала известна после прогнозируемого события или прямо раскрывает правильный
ответ.
2. Пример
Хотим предсказать брак до обработки, но включаем результат итогового контроля качества.
3. Почему опасно
На тесте модель выглядит почти идеальной, а в реальной работе такой информации ещё нет.
4. Как предотвращать
Проверять время появления каждого столбца; делить данные до обучения; исключать целевые и производные поля.
5. Контрольный вопрос
«Смог бы сотрудник знать это значение в момент, когда ему нужен прогноз?» Если нет — признак подозрителен.
ЛЕКЦИОННЫЙ МОДУЛЬ
11

11.

3. Два основных типа задач машинного обучения
Регрессия
Классификация
Предсказывает число.
Предсказывает класс или вероятность класса.
Примеры:
Примеры:
• длительность цикла — 94 минуты;
• брак / нет брака;
• расход материала — 12,4 кг;
• высокий / низкий риск;
• загрузка — 82%.
• отказ / отсутствие отказа.
Оцениваем величину ошибки в единицах цели.
Оцениваем качество определения классов.
Выбор определяется тем, что хранится в целевом столбце и какое решение требуется получить.
ЛЕКЦИОННЫЙ МОДУЛЬ
12

12.

Как модель учится на исторических примерах
1. Исторические
записи
Для прошлых заказов
известны параметры и
фактический
результат.
→
2. Обучение
3. Проверка
4. Использование
Алгоритм подбирает
закономерности,
связывающие X и y.
Модель прогнозирует
результаты для
отложенных строк,
которые не
использовала при
обучении.
Для нового заказа
подаются доступные
признаки и
получается оценка.
→
→
Модель не «понимает» производство как эксперт: она учится на примерах и может ошибаться при новых
режимах, изменении сырья или оборудования.
ЛЕКЦИОННЫЙ МОДУЛЬ
13

13.

4. Как выглядит таблица производственных данных
order_size
machine_age_years
temperature_c
shift
cycle_time_minutes
defect
180
6
73.0
день
96.2
0
240
11
78.5
ночь
131.7
1
120
3
69.2
день
72.4
0
Одна строка
Один столбец
Качество записи
Один заказ, цикл или
производственный случай.
Отдельный признак или целевой
результат.
Единые единицы измерения и
правила заполнения.
Пример схематический: значения иллюстрируют структуру, а не реальные нормативы.
ЛЕКЦИОННЫЙ МОДУЛЬ
14

14.

Качество данных: модель не исправит плохой учёт сама
Проблема
Как проявляется
Что делать
Пропуски
Не указана температура или
смена
Понять причину; удалить или заполнить обоснованным способом
Разные форматы
«Ночь», «ночная», «3-я смена»
Согласовать справочник категорий
Ошибочные значения Цикл 9000 минут вместо 90
Проверить источник и единицы измерения
Дубли
Один заказ записан дважды
Найти ключ записи и правило устранения дублей
Смещение выборки
В таблице только удачные смены Проверить, какие случаи отсутствуют и почему
ЛЕКЦИОННЫЙ МОДУЛЬ
15

15.

Пропуски и категориальные признаки
1. Пропуск — не всегда случайность
Если температура не записана именно при аварии, пропуски могут сами указывать на проблему.
2. Медиана для чисел
Часто устойчивее среднего к отдельным очень большим значениям; подходит как простой базовый способ заполнения.
3. Самая частая категория
Используется для категориальных признаков, если это оправдано смыслом данных.
4. Кодирование текста
Алгоритмы обычно требуют числовое представление категорий; One-Hot Encoding создаёт отдельные индикаторы.
5. Важно
Любой способ обработки выбирают по контексту и обучают только на обучающей части данных.
ЛЕКЦИОННЫЙ МОДУЛЬ
16

16.

5. Зачем разделять данные на обучение и тест?
Исторические данные
Все примеры, доступные для разработки модели.
Обучающая выборка — 80%
Тестовая — 20%
На ней модель и этапы предобработки учатся
находить закономерности.
Используется для
независимой итоговой
проверки.
Тест не должен
участвовать в
обучении!
Если проверять качество на тех же строках, на которых модель училась, оценка будет слишком оптимистичной
и не покажет, как модель работает на новых случаях.
ЛЕКЦИОННЫЙ МОДУЛЬ
17

17.

Как делить данные: случайно или по времени?
Случайное разделение
Разделение по времени
Подходит для учебной задачи, если строки
независимы и отражают похожие условия.
Часто лучше для прогнозирования будущего
производства: учим на прошлом, тестируем на
более позднем периоде.
В коде используется train_test_split и
random_state=42.
Так проверяем устойчивость к изменениям во
времени.
Если несколько строк относятся к одному заказу или станку, их нельзя бездумно разносить по train и test:
может возникнуть слишком лёгкая проверка.
ЛЕКЦИОННЫЙ МОДУЛЬ
18

18.

Зачем объединять предобработку и модель в Pipeline?
Сырые признаки
Предобработка
Модель
Прогноз
Числа + категории +
пропуски
Заполнение пропусков
и кодирование
категорий
Random Forest или
другой алгоритм
Результат для нового
случая
→
→
→
Pipeline помогает одинаково обрабатывать обучающие, тестовые и новые данные и уменьшает риск
случайно обучить преобразования на тесте.
ЛЕКЦИОННЫЙ МОДУЛЬ
19

19.

Сначала нужен базовый уровень (baseline)
Простой ориентир
Зачем сравнивать?
Для регрессии: всегда прогнозировать среднее или
медиану обучающих значений.
Если сложная модель не лучше простого правила,
её ценность сомнительна.
Для классификации: всегда выбирать самый частый
класс.
Сравнение помогает понять, есть ли в признаках
полезный сигнал.
Успех — не просто получить метрику. Нужно показать, что модель даёт полезное улучшение
относительно понятного базового решения.
ЛЕКЦИОННЫЙ МОДУЛЬ
20

20.

6. Что такое Random Forest?
Дерево решений
Много деревьев
Общий прогноз
Последовательно задаёт
вопросы по признакам:
например, размер заказа
больше порога?
Каждое дерево обучается
на немного
отличающемся наборе
данных и признаков.
Для регрессии усредняются
ответы; для классификации
объединяются голоса
деревьев.
→
→
Плюсы: сильная отправная точка для табличных данных. Ограничения: модель не объясняет причинность,
может быть тяжёлой и плохо переноситься на новые режимы.
ЛЕКЦИОННЫЙ МОДУЛЬ
21

21.

Как выбирать модель: простота прежде сложности
Подход
Когда полезен
Ограничение
Базовое правило
Контрольная точка для сравнения
Может быть слишком грубым
Линейная регрессия
Нужна простая интерпретация связей
Не описывает сложные нелинейности без
дополнительных признаков
Дерево решений
Нужны понятные правила
Может переобучаться
Случайный лес
Сильный базовый вариант для таблиц
Интерпретация сложнее, модель крупнее
ЛЕКЦИОННЫЙ МОДУЛЬ
22

22.

7. Метрики регрессии: измеряем ошибку в понятных единицах
Метрика
Что означает
Как объяснить производству
MAE
Средняя абсолютная ошибка
В среднем прогноз отличается от факта на X минут.
RMSE
Корень из средней квадратичной ошибки
Сильнее реагирует на большие промахи; полезен, если
крупные ошибки особенно опасны.
R²
Сравнение с разбросом целевой
переменной относительно среднего
Показывает, насколько модель объясняет вариацию в
тесте; может быть отрицательным.
Пример: MAE = 8,5 означает, что прогноз длительности цикла в среднем ошибается примерно на 8,5
минуты. Хорошо это или плохо — зависит от допустимой ошибки процесса.
ЛЕКЦИОННЫЙ МОДУЛЬ
23

23.

Пример: как сравнить две модели по MAE
Заказ
Факт, мин
Модель A
Ошибка A
Модель B
Ошибка B
1
100
96
4
102
2
2
80
85
5
70
10
3
120
110
10
118
2
Средняя
ошибка
—
—
6,3
—
4,7
В этом условном примере модель B имеет меньшую среднюю абсолютную ошибку. Но трёх наблюдений
недостаточно, чтобы надёжно выбрать модель для производства.
ЛЕКЦИОННЫЙ МОДУЛЬ
24

24.

Метрики классификации: важно понимать цену ошибки
Метрика
Вопрос
Когда особенно важна
Accuracy
Какая доля всех прогнозов верна?
Когда классы сбалансированы и ошибки сопоставимы по
цене
Precision
Среди отмеченных моделью случаев брака
сколько действительно брак?
Когда лишние проверки дороги
Recall
Какую долю всех реальных дефектов
нашли?
Когда пропустить дефект опасно
F1
Каков баланс Precision и Recall?
Когда важны оба показателя
ЛЕКЦИОННЫЙ МОДУЛЬ
25

25.

Матрица ошибок: что скрывается за метриками
Факт: брак
Факт: нет брака
Прогноз: брак
TP — брак найден
FP — ложная тревога
Прогноз: нет брака
FN — брак пропущен
TN — верно определено отсутствие
брака
Ложный отрицательный (FN)
Ложный положительный (FP)
Модель сказала «брака нет», хотя дефект есть. Может
привести к серьёзным последствиям.
Модель сигнализирует о браке без дефекта. Может увеличить
число проверок и затраты.
ЛЕКЦИОННЫЙ МОДУЛЬ
26

26.

Порог классификации: модель выдаёт вероятность, решение задаёт порог
Пример оценки
Порог решения
Модель оценила вероятность брака как 0,28 (28%). Это
не означает, что конкретное изделие «на 28%
бракованное».
Если условный порог 0,20 — случай отправят на
проверку; если 0,40 — возможно, нет. Порог выбирают
по рискам и ресурсам.
Порог 0,20 или 0,40 здесь только иллюстрация. В реальном процессе его согласуют специалисты и
проверяют на данных.
ЛЕКЦИОННЫЙ МОДУЛЬ
27

27.

Важность признаков: полезная подсказка, но не причинность
Что может показать модель
Чего нельзя заключать автоматически
Например, размер заказа и время переналадки сильно
влияют на предсказания длительности цикла.
Важный признак не обязательно является причиной. Он
может быть связан с другими переменными или
отражать особенности сбора данных.
Для управленческого решения сопоставляйте важность признаков с технологическими знаниями,
дополнительным анализом и проверкой гипотез.
ЛЕКЦИОННЫЙ МОДУЛЬ
28

28.

Как объяснить результат руководителю производства
Прогноз
«Ожидаемая длительность — около 95 минут».
Неопределённость
«На тестовых данных средняя абсолютная ошибка составила 8 минут».
Фактор/контекст
«Большие заказы и длительная переналадка часто связаны с более длинным циклом».
Возможное действие
«Проверить, достаточно ли времени заложено в план для подобных заказов».
Ограничение
«Данные учебные; прежде чем применять, нужно проверить модель на истории предприятия».
ЛЕКЦИОННЫЙ МОДУЛЬ
29

29.

Почему качество модели может ухудшаться со временем
1. Меняется процесс
Появляется новое оборудование, сырьё, технология или режим работы.
2. Меняются данные
Датчики калибруют иначе, сотрудники меняют правила ввода, часть значений пропадает.
3. Меняется состав заказов
Модель обучалась на типичных заказах, а теперь поступают более сложные.
4. Нужно наблюдать
Сравнивать прогнозы с фактом, отслеживать ошибки и долю пропусков.
5. Нужно переоценивать
Периодически проверять качество и переобучать модель только после контроля.
ЛЕКЦИОННЫЙ МОДУЛЬ
30

30.

Сквозной процесс проекта предиктивной аналитики
1. Бизнесзадача
Какое
решение
улучшаем?
2. Данные
→
Есть ли
история и
надёжные
цели?
3.
Подготовка
→
Очистка,
признаки,
разделение
→
4. Модель
5. Проверка
Baseline и
алгоритм
Метрики и
анализ
ошибок
→
→
6.
Использова
ние
Действие,
контроль,
обновление
Проект может вернуться к предыдущему этапу: например, метрики плохие — пересматриваем данные или
формулировку задачи.
ЛЕКЦИОННЫЙ МОДУЛЬ
31

31.

Риски, безопасность и ответственность
1. Конфиденциальность
Не отправлять во внешние сервисы данные о клиентах, заказах, сотрудниках или оборудовании без разрешения.
2. Ошибки прогноза
Не превращать прогноз в автоматическое решение, если цена ошибки высока и нет контроля человека.
3. Смещение
Проверять, одинаково ли работает модель для разных смен, линий и типов заказов.
4. Документирование
Фиксировать источник данных, дату, версию модели, метрики и ограничения.
5. Ответственность
Назначить владельца процесса, который проверяет результаты и решает, когда модель применять.
ЛЕКЦИОННЫЙ МОДУЛЬ
32

32.

Как понять, есть ли польза от модели?
Технический вопрос
Операционный вопрос
Экономический вопрос
Насколько точно модель
прогнозирует на данных,
которых не видела?
Меняет ли прогноз
планирование, проверки или
обслуживание к лучшему?
Снижаются ли простои, потери,
штрафы или лишние проверки
больше, чем стоит система?
Даже хорошая метрика не гарантирует экономического эффекта. Его оценивают через пилот,
сравнение с текущим процессом и стоимость ошибок.
ЛЕКЦИОННЫЙ МОДУЛЬ
33

33.

Как выбрать учебный проект для производственной задачи
Направление
Цель
Тип задачи
Ключевой результат
А. Длительность
цикла
Лучше планировать сроки
Регрессия
Прогноз в минутах + MAE/RMSE
Б. Риск брака
Раньше находить
потенциальные дефекты
Классификация
Recall/Precision/F1 + риск
В. Загрузка
оборудования
Предвидеть перегрузки
Регрессия
Прогноз в % + анализ порога
Г. Своя цель
Решить согласованную задачу
Зависит от цели
Обоснование данных и метрик
Для учебной совместной демонстрации рекомендуется вариант А: его результат легко интерпретировать в минутах.
ЛЕКЦИОННЫЙ МОДУЛЬ
34

34.

Краткий словарь ключевых терминов
Термин
Объяснение простыми словами
Признак (feature)
Входная характеристика, которую модель использует для прогноза.
Целевая переменная (target)
Результат, который модель учится предсказывать.
Обучающая выборка
Примеры, на которых модель находит закономерности.
Тестовая выборка
Отложенные примеры для независимой оценки качества.
Переобучение
Когда модель слишком хорошо подстроилась под обучающие данные и хуже работает
на новых.
Утечка данных
Когда при обучении используется информация, недоступная в момент реального
прогноза.
Метрика
Число, которое описывает определённую сторону качества модели.
Дрейф данных
Изменение условий или распределений, из-за которого качество может ухудшаться.
ЛЕКЦИОННЫЙ МОДУЛЬ
35

35.

Главные выводы лекции
1. Начинайте с решения
Сначала определите, какое действие нужно улучшить, а затем выбирайте модель.
2. Данные — фундамент
Ошибки учёта, пропуски и утечки способны испортить даже хороший алгоритм.
3. Метрика должна иметь смысл
MAE в минутах и Recall по браку отвечают на разные вопросы.
4. Сравнивайте с простым правилом
Сложная модель полезна только если даёт реальное улучшение.
5. Прогноз не равен истине
Нужны экспертная проверка, контроль ошибок и мониторинг после запуска.
ЛЕКЦИОННЫЙ МОДУЛЬ
36