Как мы пытались научить ML считать трудоёмкость в промышленности — и что из этого вышло

[Pwlo]

Спасибо за содержательную статью! Но, как всегда, есть но.

Очень хотелось бы узнать побольше про само производство. Тип станков, операций. И предполагаемую бизнес-цель заказчика.

[vadim_samara]

Спасибо за интерес к статье. К сожалению, более детально раскрывать информацию о конкретном производстве, типах станков и выполняемых операциях я не могу без согласования с заказчиком.

В самом общем виде речь идёт о типовых для машиностроения процессах — различных видах механической обработки, а также операциях сборки.

Что касается бизнес-цели: повысить точность и скорость расчёта трудоёмкости, чтобы оперативно и с приемлемой погрешностью формировать стоимость заказов.

[Pwlo]

Главный вывод, который мы сделали в этом проекте: в задачах промышленной аналитики качество данных и их понимание важнее выбора «правильного» алгоритма. Машинное обучение способно ошибаться реже человека, но только если человек не ошибается при вводе данных.

Но и это еще не все. Как правило, все ошибки нормирования связаны не столько с операцией, сколько с технологическим процессом. Поясню.

Возьмем, к примеру плазменную/лазерную резку. Скорость перемещения головки задается, длина реза - тоже известна. Что здесь предсказывать, что может пойти не так?

На самом же деле, "учетчики" забывают, что лист нужно доставить, положить, убрать и т.д. А если раскрой не оптимальный - например из большого листа вырезать маленькую деталь, а лист прибирать - трудозатраты улетят в космос.

С учетом этого модельные расчёты никогда не сойдутся, ибо будут зависеть от шустрости и трезвости такелажника.

[vadim_samara]

Согласен. Подобные системы в любом случае для бизнеса логично внедрять, если они и стоят дешевле человека, и ошибаются меньше (или хотя бы так же). А в реальном производстве существуют обстоятельства, которые либо можно учесть как дополнительные параметры на входе, либо, как правило, даже и нельзя учесть - можно только заложить + к расчетам. В любом случае задача ближайшая - повторить логику нормировщика.