製造業上雲的成果與挑戰|專家論點【黃婉中】

作者:黃婉中(雲端架構師)

示意圖:取自123RF

延續上一篇文章,分享專案成果,與過程中的挑戰。

成果

專案目前已經上線,在經過我們訪談後整理出以下讓使用者最有感的成果:

更好的使用者體驗

首先是使用者體驗更順暢。過去當資料科學家想要製作模型時,為了因應公司內規要求,需要先申請資料權限,再從自己電腦上完成分析,而如果途中發現資料有缺誤,就需要重新申請。

整個分析和模型建立完成後,也需要另外申請讓模型上線。在使用了建置在雲端上的機器學習平台後,科學家可以一氣呵成,在同個平台上自行撈取需要的資料、進行分析、並把成果上線。

節省時間

其次是整體所花時間大幅下降。過往需要等待從地端資料倉儲,提取資料到個人電腦,分析資料、建立模型的時間也受到個人電腦運算能力的限制,導致整個流程需要數天的時間才能完成。

現在,受惠於雲端平台上已經開發好的資料串接功能、無限算力,科學家可以大幅地將花費時間從數天變成數小時,進一步幫助產線。在發現良率下降的原因後,快速反應、節省修正時間、提升產能。

整合多樣化的資料來源

使用者可以使用更多樣化的資料、得到更全面的分析。廠內因為運行多年,資料經常散落在各種資料來源、有不同的格式,譬如網頁服務、資料庫、虛擬機器等,而現行平台可以將全廠所有站點資料串接,進行分析。

人才招募

最後,客戶也表示,近年來隨著數位轉型、大數據、人工智慧的興起,員工們也更重視否能在工作上學習到新技術,和全球接軌。導入雲端運算平台幫助企業在人才招募更有吸引力。

回顧整個專案的執行過程,其實碰到不少挑戰,主要包括以下幾點:

Job和Script改寫

客戶自家的資料倉儲已運行多年,有不少Job和Script需要改寫,加上原本運作的開源資料倉儲解決方案,有能力負責維運的廠商並不多,因此花了許多時間重寫和調整。

平行運算的概念轉換

在地端的Python,有許多程式撰寫不是為平行運算而設計,而為了享受雲端上平行運算的能力,必須改寫。會寫Python,不見得熟悉Spark。團隊花了許多心力在教育訓練,幫助客戶熟練使用。

學習需要時間

製造廠的工程師非常忙碌,大部分的工作時間已經被各種事務佔據,譬如良率分析、報廢分析、改善方案評估、系統開發等。新專案要另外花時間,再學習一套新的工具,很不容易。導致工具完整,但能使用的功能有限。

資料上傳速度取決於頻寬

將資料搬上雲所需的時間,主要取決於頻寬。如果專案時程急迫,可參考Azure Box,將資料放在大型硬碟中,直接郵寄到資料中心,可大幅縮短傳輸上雲所需時間。

盤根錯節的地端系統整合

在實務上,有些系統,無論如何都不適合上雲,例如和此系統有關聯的其他系統,全部都在地端,加上企業內部嚴謹的規範,造成網路規畫困難重重。

遇到這種情況,建議分階段進行,切分階段目標來逐步達成。例如在這個專案中,我們就以其中一個廠區的資料來當作範例,以供其他廠區後續效法。

下一步

客戶對於新平台對良率和產能的改善很有感。下一步,希望能把廠區的即時資料,包含設備、環境、遙測等數據納入分析。更可以進一步結合業務資料,進行資料治理,打造共同資料平台(Common Data Platform)。

瀏覽 390 次

覺得不錯的話就分享出去吧!

發佈留言

Back to top button