Αυτή είναι μια guest post από τον Neslihan Erdogan, Global Industrial IT Manager στη HAYAT HOLDING.
Με τη συνεχιζόμενη ψηφιοποίηση των διαδικασιών παραγωγής και το Industry 4.0, υπάρχουν τεράστιες δυνατότητες χρήσης μηχανικής μάθησης (ML) για πρόβλεψη ποιότητας. Η διαδικασία κατασκευής είναι μια μέθοδος παραγωγής που χρησιμοποιεί φόρμουλες ή συνταγές για την παραγωγή αγαθών συνδυάζοντας συστατικά ή πρώτες ύλες.
Η προγνωστική ποιότητα περιλαμβάνει τη χρήση μεθόδων ML στην παραγωγή για την εκτίμηση και την ταξινόμηση της ποιότητας που σχετίζεται με το προϊόν με βάση τα δεδομένα της διαδικασίας παραγωγής με τους ακόλουθους στόχους[1]:
- Περιγραφή ποιότητας – Ο προσδιορισμός των σχέσεων μεταξύ των μεταβλητών της διαδικασίας και της ποιότητας του προϊόντος. Για παράδειγμα, πώς επηρεάζει ο όγκος ενός συστατικού κόλλας τις ποιοτικές παραμέτρους, όπως η αντοχή και η ελαστικότητά του.
- Πρόβλεψη ποιότητας – Η εκτίμηση μιας μεταβλητής ποιότητας με βάση τις μεταβλητές της διαδικασίας για υποστήριξη αποφάσεων ή για αυτοματοποίηση. Για παράδειγμα, πόσα kg/m3 Το συγκολλητικό συστατικό πρέπει να προσλαμβάνεται για να επιτευχθεί συγκεκριμένη αντοχή και ελαστικότητα.
- Ποιοτική ταξινόμηση – Εκτός από την πρόβλεψη ποιότητας, αυτό περιλαμβάνει εκτίμηση ορισμένων τύπων ποιότητας προϊόντων.
Σε αυτήν την ανάρτηση, μοιραζόμαστε πώς η HAYAT HOLDING - ένας παγκόσμιος παίκτης με 41 εταιρείες που δραστηριοποιούνται σε διαφορετικούς κλάδους, συμπεριλαμβανομένης της HAYAT, του τέταρτου μεγαλύτερου κατασκευαστή επώνυμων πάνας στον κόσμο, και της KEAS, του πέμπτου μεγαλύτερου κατασκευαστή πάνελ με βάση το ξύλο στον κόσμο - συνεργάστηκε με την AWS για την κατασκευή μιας λύσης που χρησιμοποιεί Amazon SageMaker Model Training, Amazon SageMaker Automatic Model Tuning και Amazon SageMaker Model Deployment για τη συνεχή βελτίωση της λειτουργικής απόδοσης, την αύξηση της ποιότητας του προϊόντος και τη βελτιστοποίηση της παραγωγής ξύλινων πάνελ από ινοσανίδες (MDF) μέσης πυκνότητας.
Τα αποτελέσματα πρόβλεψης ποιότητας προϊόντων και συστάσεων κατανάλωσης κόλλας μπορούν να παρατηρηθούν από ειδικούς του χώρου μέσω των ταμπλό σε σχεδόν πραγματικό χρόνο, με αποτέλεσμα ταχύτερο βρόχο ανάδρασης. Τα εργαστηριακά αποτελέσματα υποδεικνύουν σημαντικό αντίκτυπο που ισοδυναμεί με εξοικονόμηση 300,000 $ ετησίως, μειώνοντας το αποτύπωμα άνθρακα στην παραγωγή, αποτρέποντας την περιττή σπατάλη χημικών.
Προγνωστική ποιότητα βασισμένη σε ML στη HAYAT HOLDING
Η HAYAT είναι ο τέταρτος μεγαλύτερος κατασκευαστής επώνυμων βρεφικών πάνων στον κόσμο και ο μεγαλύτερος κατασκευαστής χαρτομάντιλων στην EMEA. Η ΚΕΑΣ (Kastamonu Entegre Ağaç Sanayi) είναι επιχορήγηση της HAYAT HOLDING, για παραγωγή στη βιομηχανία πάνελ με βάση το ξύλο, και κατατάσσεται ως η τέταρτη στην Ευρώπη και η πέμπτη στον κόσμο.
Η ινοσανίδα μέσης πυκνότητας (MDF) είναι ένα κατασκευασμένο προϊόν ξύλου που κατασκευάζεται με τη διάσπαση των υπολειμμάτων ξύλου σε ίνες, τον συνδυασμό του με κόλλες και τη διαμόρφωση του σε πάνελ εφαρμόζοντας υψηλή θερμοκρασία και πίεση. Έχει πολλούς τομείς εφαρμογής όπως έπιπλα, ντουλάπια και δάπεδα.
Η παραγωγή πάνελ ξύλου MDF απαιτεί εκτεταμένη χρήση κόλλων (διψήφιοι τόνοι που καταναλώνονται κάθε χρόνο στη HAYAT HOLDING).
Σε μια τυπική γραμμή παραγωγής, χρησιμοποιούνται εκατοντάδες αισθητήρες. Η ποιότητα του προϊόντος προσδιορίζεται από δεκάδες παραμέτρους. Η εφαρμογή του σωστού όγκου κόλλας είναι ένα σημαντικό στοιχείο κόστους καθώς και ένας σημαντικός παράγοντας ποιότητας για το παραγόμενο πάνελ, όπως η πυκνότητα, η ικανότητα συγκράτησης της βίδας, η αντοχή σε εφελκυσμό, η ελαστικότητα του συντελεστή ελαστικότητας και η αντοχή κάμψης. Ενώ η υπερβολική χρήση κόλλας αυξάνει άσκοπα το κόστος παραγωγής, η κακή χρήση της κόλλας δημιουργεί προβλήματα ποιότητας. Η εσφαλμένη χρήση προκαλεί έως και δεκάδες χιλιάδες δολάρια σε μία μόνο βάρδια. Η πρόκληση είναι ότι υπάρχει μια παλινδρομική εξάρτηση της ποιότητας από την παραγωγική διαδικασία.
Οι ανθρώπινοι χειριστές αποφασίζουν για την ποσότητα της κόλλας που θα χρησιμοποιηθεί με βάση την τεχνογνωσία του τομέα. Αυτή η τεχνογνωσία είναι αποκλειστικά εμπειρική και απαιτεί χρόνια εμπειρίας για την οικοδόμηση ικανοτήτων. Για την υποστήριξη της λήψης αποφάσεων για τον άνθρωπο χειριστή, πραγματοποιούνται εργαστηριακές δοκιμές σε επιλεγμένα δείγματα για την ακριβή μέτρηση της ποιότητας κατά την παραγωγή. Τα αποτελέσματα του εργαστηρίου παρέχουν ανατροφοδότηση στους χειριστές αποκαλύπτοντας τα επίπεδα ποιότητας των προϊόντων. Ωστόσο, οι εργαστηριακές εξετάσεις δεν γίνονται σε πραγματικό χρόνο και εφαρμόζονται με καθυστέρηση έως και αρκετές ώρες. Ο ανθρώπινος χειριστής χρησιμοποιεί εργαστηριακά αποτελέσματα για να προσαρμόσει σταδιακά την κατανάλωση κόλλας για να επιτύχει το απαιτούμενο όριο ποιότητας.
Επισκόπηση της λύσης
Η πρόβλεψη ποιότητας με χρήση ML είναι ισχυρή, αλλά απαιτεί προσπάθεια και δεξιότητα για να σχεδιαστεί, να ενσωματωθεί στη διαδικασία κατασκευής και να διατηρηθεί. Με την υποστήριξη των ειδικών της AWS Prototyping και της AWS Partner Deloitte, η HAYAT HOLDING κατασκεύασε έναν αγωγό από άκρο σε άκρο ως εξής:
- Απορρόφηση δεδομένων αισθητήρα από το εργοστάσιο παραγωγής στο AWS
- Εκτελέστε προετοιμασία δεδομένων και δημιουργία μοντέλων ML
- Αναπτύξτε τα μοντέλα στην άκρη
- Δημιουργήστε πίνακες εργαλείων χειριστή
- Ενορχηστρώστε τη ροή εργασίας
Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσεων.
Κατάποση δεδομένων
Η HAYAT HOLDING διαθέτει υποδομή τελευταίας τεχνολογίας για την απόκτηση, την καταγραφή, την ανάλυση και την επεξεργασία δεδομένων μετρήσεων.
Υπάρχουν δύο τύποι πηγών δεδομένων για αυτήν την περίπτωση χρήσης. Οι παράμετροι διαδικασίας ορίζονται για την παραγωγή ενός συγκεκριμένου προϊόντος και συνήθως δεν αλλάζουν κατά την παραγωγή. Τα δεδομένα αισθητήρα λαμβάνονται κατά τη διαδικασία κατασκευής και αντιπροσωπεύουν την πραγματική κατάσταση του μηχανήματος.
Τα δεδομένα εισόδου μεταδίδονται από την εγκατάσταση μέσω OPC-UA μέσω της πύλης SiteWise Edge στο AWS IoT Greengrass. Συνολικά, εισήχθησαν 194 αισθητήρες και χρησιμοποιήθηκαν για την αύξηση της ακρίβειας των προβλέψεων.
Εκπαίδευση και βελτιστοποίηση μοντέλων με τον αυτόματο συντονισμό μοντέλων SageMaker
Πριν από την εκπαίδευση του μοντέλου, εκτελείται ένα σύνολο δραστηριοτήτων προετοιμασίας δεδομένων. Για παράδειγμα, ένα εργοστάσιο πάνελ MDF παράγει πολλά διαφορετικά προϊόντα στην ίδια γραμμή παραγωγής (πολλαπλοί τύποι και μεγέθη ξύλινων πάνελ). Κάθε παρτίδα συνδέεται με διαφορετικό προϊόν, με διαφορετικές πρώτες ύλες και διαφορετικά φυσικά χαρακτηριστικά. Παρόλο που ο εξοπλισμός και οι χρονοσειρές διεργασιών καταγράφονται συνεχώς και μπορούν να θεωρηθούν ως χρονοσειρές μονής ροής με ευρετηριασμό του χρόνου, πρέπει να τμηματοποιηθούν ανά παρτίδα με την οποία σχετίζονται. Για παράδειγμα, σε μια βάρδια, τα πάνελ προϊόντων μπορεί να παράγονται για διαφορετικές διάρκειες. Δείγμα του παραγόμενου MDF αποστέλλεται στο εργαστήριο για ποιοτικούς ελέγχους κατά καιρούς. Άλλες εργασίες μηχανικής χαρακτηριστικών περιλαμβάνουν μείωση χαρακτηριστικών, κλιμάκωση, μείωση διαστάσεων χωρίς επίβλεψη χρησιμοποιώντας PCA (Ανάλυση Κύριων Στοιχείων), σημασία χαρακτηριστικών και ανίχνευση ακραίων στοιχείων.
Μετά τη φάση προετοιμασίας δεδομένων, χρησιμοποιείται μια προσέγγιση δύο σταδίων για την κατασκευή των μοντέλων ML. Τα δείγματα εργαστηριακών δοκιμών διεξάγονται με διαλείπουσα τυχαία δειγματοληψία προϊόντος από τον μεταφορικό ιμάντα. Τα δείγματα αποστέλλονται σε εργαστήριο για ποιοτικές δοκιμές. Επειδή τα αποτελέσματα του εργαστηρίου δεν μπορούν να παρουσιαστούν σε πραγματικό χρόνο, ο βρόχος ανάδρασης είναι σχετικά αργός. Το πρώτο μοντέλο εκπαιδεύεται να προβλέπει εργαστηριακά αποτελέσματα για παραμέτρους ποιότητας προϊόντος: πυκνότητα, ελαστικότητα, αντίσταση έλξης, διόγκωση, απορροφημένο νερό, ανθεκτικότητα επιφάνειας, υγρασία, επιφανειακή αναρρόφηση και αντίσταση κάμψης. Το δεύτερο μοντέλο είναι εκπαιδευμένο να προτείνει την ποσότητα κόλλας που θα χρησιμοποιηθεί στην παραγωγή, ανάλογα με την προβλεπόμενη ποιότητα παραγωγής.
Η ρύθμιση και η διαχείριση προσαρμοσμένων περιβαλλόντων ML μπορεί να είναι χρονοβόρα και δυσκίνητη. Amazon Sage Maker παρέχει μια σουίτα από ενσωματωμένοι αλγόριθμοι, προεκπαιδευμένα μοντέλα και προκατασκευασμένα πρότυπα λύσεων για να βοηθήσουν τους επιστήμονες δεδομένων και τους επαγγελματίες ML να ξεκινήσουν την εκπαίδευση και την ανάπτυξη μοντέλων ML γρήγορα.
Πολλαπλά μοντέλα ML εκπαιδεύτηκαν χρησιμοποιώντας ενσωματωμένους αλγόριθμους SageMaker για τους κορυφαίους τύπους προϊόντων με τη μεγαλύτερη παραγωγή και για διαφορετικές παραμέτρους ποιότητας. Τα μοντέλα πρόβλεψης ποιότητας προσδιορίζουν τις σχέσεις μεταξύ της χρήσης κόλλας και εννέα παραμέτρων ποιότητας. Τα μοντέλα συστάσεων προβλέπουν την ελάχιστη χρήση κόλλας για την ικανοποίηση των απαιτήσεων ποιότητας χρησιμοποιώντας την ακόλουθη προσέγγιση: ένας αλγόριθμος ξεκινά από την υψηλότερη επιτρεπόμενη ποσότητα κόλλας και τη μειώνει βήμα προς βήμα εάν ικανοποιούνται όλες οι απαιτήσεις μέχρι την ελάχιστη επιτρεπόμενη ποσότητα κόλλας. Εάν η μέγιστη ποσότητα κόλλας δεν ικανοποιεί όλες τις απαιτήσεις, εμφανίζεται σφάλμα.
Ο αυτόματος συντονισμός μοντέλου SageMaker, γνωστός και ως συντονισμός υπερπαραμέτρων, βρίσκει την καλύτερη έκδοση ενός μοντέλου εκτελώντας πολλές εργασίες εκπαίδευσης στο σύνολο δεδομένων σας χρησιμοποιώντας τον αλγόριθμο και τις περιοχές υπερπαραμέτρων που καθορίζετε. Στη συνέχεια επιλέγει τις τιμές υπερπαραμέτρων που καταλήγουν σε ένα μοντέλο που έχει την καλύτερη απόδοση, όπως μετράται από μια μέτρηση που επιλέγετε.
Με τον αυτόματο συντονισμό μοντέλων, η ομάδα επικεντρώθηκε στον καθορισμό του σωστού στόχου, στην οριοθέτηση των υπερπαραμέτρων και του χώρου αναζήτησης. Ο αυτόματος συντονισμός μοντέλων φροντίζει για τα υπόλοιπα, συμπεριλαμβανομένης της υποδομής, εκτέλεσης και ενορχήστρωσης εργασιών εκπαίδευσης παράλληλα και βελτίωση της επιλογής υπερπαραμέτρων. Ο αυτόματος συντονισμός μοντέλων παρέχει ένα ευρύ φάσμα τύπων περιπτώσεων εκπαίδευσης. Το μοντέλο βελτιστοποιήθηκε σε τύπους περιπτώσεων c5.x2large χρησιμοποιώντας μια έξυπνη έκδοση μεθόδων συντονισμού υπερπαραμέτρων που βασίζεται στη θεωρία αναζήτησης Bayes και έχει σχεδιαστεί για να βρίσκει το καλύτερο μοντέλο στο συντομότερο χρόνο.
Συμπέρασμα στην άκρη
Πολλές μέθοδοι είναι διαθέσιμες για την ανάπτυξη μοντέλων ML για τη λήψη προβλέψεων.
Συμπεράσματα SageMaker σε πραγματικό χρόνο είναι ιδανικό για φόρτους εργασίας όπου υπάρχουν απαιτήσεις σε πραγματικό χρόνο, διαδραστικές, χαμηλής καθυστέρησης. Κατά τη φάση δημιουργίας πρωτοτύπων, η HAYAT HOLDING ανέπτυξε μοντέλα σε υπηρεσίες φιλοξενίας SageMaker και έλαβε τελικά σημεία τα οποία διαχειρίζεται πλήρως η AWS. Καταληκτικά σημεία πολλαπλών μοντέλων SageMaker παρέχουν μια επεκτάσιμη και οικονομικά αποδοτική λύση για την ανάπτυξη μεγάλου αριθμού μοντέλων. Χρησιμοποιούν τον ίδιο στόλο πόρων και ένα κοινόχρηστο κοντέινερ σερβιρίσματος για να φιλοξενήσουν όλα τα μοντέλα σας. Αυτό μειώνει το κόστος φιλοξενίας βελτιώνοντας τη χρήση τελικού σημείου σε σύγκριση με τη χρήση τελικών σημείων ενός μοντέλου. Επίσης, μειώνει τα έξοδα ανάπτυξης επειδή το SageMaker διαχειρίζεται τη φόρτωση μοντέλων στη μνήμη και την κλιμάκωσή τους με βάση τα μοτίβα κυκλοφορίας στο τελικό σημείο σας.
Το συμπέρασμα σε πραγματικό χρόνο του SageMaker χρησιμοποιείται με τελικά σημεία πολλαπλών μοντέλων για βελτιστοποίηση κόστους και για τη διάθεση όλων των μοντέλων ανά πάσα στιγμή κατά την ανάπτυξη. Παρόλο που η χρήση ενός μοντέλου ML για κάθε τύπο προϊόντος έχει ως αποτέλεσμα υψηλότερη ακρίβεια συμπερασμάτων, το κόστος ανάπτυξης και δοκιμής αυτών των μοντέλων αυξάνεται ανάλογα και καθίσταται επίσης δύσκολη η διαχείριση πολλαπλών μοντέλων. Τα τελικά σημεία πολλαπλών μοντέλων του SageMaker αντιμετωπίζουν αυτά τα σημεία πόνου και δίνουν στην ομάδα μια γρήγορη και οικονομικά αποδοτική λύση για την ανάπτυξη πολλαπλών μοντέλων ML.
Amazon SageMaker Edge παρέχει διαχείριση μοντέλων για συσκευές edge, ώστε να μπορείτε να βελτιστοποιείτε, να ασφαλίζετε, να παρακολουθείτε και να διατηρείτε μοντέλα ML σε στόλους συσκευών edge. Η λειτουργία μοντέλων ML σε συσκευές αιχμής είναι πρόκληση, επειδή οι συσκευές, σε αντίθεση με τις περιπτώσεις cloud, έχουν περιορισμένη υπολογιστική, μνήμη και συνδεσιμότητα. Μετά την ανάπτυξη του μοντέλου, πρέπει να παρακολουθείτε συνεχώς τα μοντέλα, επειδή η μετατόπιση του μοντέλου μπορεί να προκαλέσει υποβάθμιση της ποιότητας του μοντέλου υπερωρίες. Η παρακολούθηση μοντέλων σε όλους τους στόλους των συσκευών σας είναι δύσκολη, επειδή πρέπει να γράψετε προσαρμοσμένο κώδικα για να συλλέξετε δείγματα δεδομένων από τη συσκευή σας και να αναγνωρίσετε τις ασάφειες στις προβλέψεις.
Για την παραγωγή, ο πράκτορας SageMaker Edge Manager χρησιμοποιείται για να κάνει προβλέψεις με μοντέλα που έχουν φορτωθεί σε μια συσκευή AWS IoT Greengrass.
Συμπέρασμα
Η HAYAT HOLDING αξιολογούσε μια προηγμένη πλατφόρμα αναλυτικών στοιχείων ως μέρος της στρατηγικής ψηφιακού μετασχηματισμού της και ήθελε να φέρει την τεχνητή νοημοσύνη στον οργανισμό για πρόβλεψη ποιότητας στην παραγωγή.
Με την υποστήριξη των ειδικών της AWS Prototyping και της AWS Partner Deloitte, η HAYAT HOLDING κατασκεύασε μια μοναδική αρχιτεκτονική πλατφόρμας δεδομένων και έναν αγωγό ML για την αντιμετώπιση μακροπρόθεσμων επιχειρηματικών και τεχνικών αναγκών.
Η HAYAT KIMYA ενσωμάτωσε τη λύση ML σε ένα από τα εργοστάσιά της. Τα εργαστηριακά αποτελέσματα υποδεικνύουν σημαντικό αντίκτυπο που ισοδυναμεί με εξοικονόμηση 300,000 $ ετησίως, μειώνοντας το αποτύπωμα άνθρακα στην παραγωγή, αποτρέποντας την περιττή σπατάλη χημικών. Η λύση παρέχει έναν ταχύτερο βρόχο ανατροφοδότησης στους ανθρώπινους χειριστές παρουσιάζοντας προβλέψεις ποιότητας προϊόντων και αποτελέσματα συστάσεων κατανάλωσης κόλλας μέσω των ταμπλό σε σχεδόν πραγματικό χρόνο. Η λύση θα εφαρμοστεί τελικά σε άλλες εγκαταστάσεις ξύλινων πάνελ της HAYAT HOLDING.
Η ML είναι μια εξαιρετικά επαναληπτική διαδικασία. Κατά τη διάρκεια ενός μόνο έργου, οι επιστήμονες δεδομένων εκπαιδεύουν εκατοντάδες διαφορετικά μοντέλα, σύνολα δεδομένων και παραμέτρους σε αναζήτηση μέγιστης ακρίβειας. Το SageMaker προσφέρει το πιο πλήρες σύνολο εργαλείων για να αξιοποιήσετε τη δύναμη του ML. Σας επιτρέπει να οργανώνετε, να παρακολουθείτε, να συγκρίνετε και να αξιολογείτε πειράματα ML σε κλίμακα. Μπορείτε να ενισχύσετε τον τελικό αντίκτυπο των ομάδων σας ML για να επιτύχετε σημαντικές βελτιώσεις παραγωγικότητας χρησιμοποιώντας ενσωματωμένους αλγόριθμους SageMaker, αυτόματο συντονισμό μοντέλων, εξαγωγή συμπερασμάτων σε πραγματικό χρόνο και τελικά σημεία πολλαπλών μοντέλων.
Επιταχύνετε το χρόνο για τα αποτελέσματα και βελτιστοποιήστε τις λειτουργίες εκσυγχρονίζοντας την επιχειρηματική σας προσέγγιση από άκρη σε άκρη χρησιμοποιώντας το cloud Μηχανική εκμάθηση σε AWS. Επωφεληθείτε από τις καινοτομίες και τις λύσεις που σχετίζονται με τη βιομηχανία χρησιμοποιώντας AWS για Βιομηχανικό.
Μοιραστείτε τα σχόλιά σας και τις ερωτήσεις σας στα σχόλια.
Σχετικά με τη HAYAT HOLDING
Η HAYAT HOLDING, της οποίας τα θεμέλια τέθηκαν το 1937, είναι ένας παγκόσμιος παίκτης σήμερα, με 41 εταιρείες που δραστηριοποιούνται σε διαφορετικούς κλάδους, συμπεριλαμβανομένης της HAYAT στον τομέα των ταχέως κινούμενων καταναλωτικών αγαθών, της KEAS (Kastamonu Entegre Ağaç Sanayi) στον τομέα των πάνελ με βάση το ξύλο. και LIMAS στον τομέα της διαχείρισης λιμένων, με εργατικό δυναμικό άνω των 17,000 ατόμων. Η HAYAT HOLDING παραδίδει 49 μάρκες που παράγονται με προηγμένες τεχνολογίες σε 36 εγκαταστάσεις παραγωγής σε 13 χώρες σε εκατομμύρια καταναλωτές παγκοσμίως.
Δραστηριοποιώντας στον ταχέως αναπτυσσόμενο τομέα καταναλωτικών αγαθών, η Hayat ιδρύθηκε το 1987. Σήμερα, προχωρώντας γρήγορα στην πορεία της παγκοσμιοποίησης με 21 εγκαταστάσεις παραγωγής σε 8 χώρες σε όλο τον κόσμο, η Hayat είναι ο τέταρτος μεγαλύτερος κατασκευαστής επώνυμων πάνας στον κόσμο και ο μεγαλύτερος κατασκευαστής πανών παραγωγός στη Μέση Ανατολή, την Ανατολική Ευρώπη και την Αφρική, και σημαντικός παράγοντας στον ταχέως αναπτυσσόμενο τομέα καταναλωτικών αγαθών. Με τις 16 ισχυρές επωνυμίες της, συμπεριλαμβανομένων των Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare και Evony στις κατηγορίες υγιεινής, οικιακής φροντίδας, χαρτιού και προσωπικής υγείας, η Hayat φέρνει το HAYAT* σε εκατομμύρια σπίτια σε περισσότερες από 100 χώρες.
Η Kastamonu Entegre Ağaç Sanayi (KEAS), η πρώτη επένδυση της HAYAT HOLDING στην εκβιομηχάνισή της, ιδρύθηκε το 1969. Συνεχίζοντας την αδιάκοπη ανάπτυξή της για να γίνει παγκόσμια δύναμη στον κλάδο της, κατέχει την τέταρτη θέση στην Ευρώπη και την πέμπτη στον κόσμο. Η ΚΕΑΣ κατέχει την πρώτη θέση στον κλάδο με περίπου 7,000 υπαλλήλους και εξαγωγές σε περισσότερες από 100 χώρες.
*«Χαγιάτ» σημαίνει «ζωή» στα Τουρκικά.
αναφορές
- Tercan H, «Μηχανική μάθηση και βαθιά μάθηση βασισμένη στην προγνωστική ποιότητα στην κατασκευή: μια συστηματική ανασκόπηση», Journal of Intelligent Manufacturing, 2022.
Σχετικά με τους συγγραφείς
Νεσλιχάν Ερντογάν, (BSc και MSc in Electrical Engineering), κατείχε διάφορους τεχνικούς & επιχειρηματικούς ρόλους ως ειδικός, αρχιτέκτονας και διευθυντής στις Τεχνολογίες Πληροφορικής. Εργάστηκε στη HAYAT ως Global Industrial IT Manager και ηγήθηκε έργων Industry 4.0, Digital Transformation, OT Security και Data & AI.
Çağrı Yurtseven (BSc in Electrical-Electronic Engineering, Bogazici University) είναι ο Enterprise Account Manager στο Amazon Web Services. Είναι επικεφαλής πρωτοβουλιών βιωσιμότητας και βιομηχανικού IOT στην Τουρκία, ενώ βοηθά τους πελάτες να αξιοποιήσουν πλήρως τις δυνατότητές τους, δείχνοντας την τέχνη του δυνατού στο AWS.
Τσενκ Σεζγκίν (PhD – Electrical Electronics Engineering) είναι Κύριος Διευθυντής στο AWS EMEA Prototyping Labs. Υποστηρίζει πελάτες με εξερεύνηση, ιδεασμό, μηχανική και ανάπτυξη λύσεων αιχμής χρησιμοποιώντας αναδυόμενες τεχνολογίες όπως IoT, Analytics, AI/ML & Serverless.
Hasan-Basri AKIRMAK (BSc και MSc in Computer Engineering and Executive MBA in Graduate School of Business) είναι κύριος αρχιτέκτονας λύσεων στο Amazon Web Services. Είναι τεχνολόγος επιχειρήσεων που συμβουλεύει πελάτες του επιχειρηματικού τμήματος. Ο τομέας της ειδικότητάς του είναι ο σχεδιασμός αρχιτεκτονικών και επιχειρησιακών υποθέσεων σε συστήματα επεξεργασίας δεδομένων μεγάλης κλίμακας και λύσεις Machine Learning. Ο Hasan έχει παραδώσει επιχειρηματική ανάπτυξη, ενοποίηση συστημάτων, διαχείριση προγραμμάτων για πελάτες στην Ευρώπη, τη Μέση Ανατολή και την Αφρική. Από το 2016 ήταν καθοδηγητής εκατοντάδων επιχειρηματιών σε προγράμματα incubation startup pro-bono.
Μουσταφά Αλντεμίρ (BSc in Electrical-Electronic Engineering, MSc in Mechatronics and PhD-candidate in Computer Science) είναι ο επικεφαλής της δημιουργίας πρωτοτύπων Robotics στο Amazon Web Services. Σχεδιάζει και αναπτύσσει λύσεις Internet of Things και Machine Learning για μερικούς από τους μεγαλύτερους πελάτες σε όλη την EMEA και ηγείται των ομάδων τους στην εφαρμογή τους. Εν τω μεταξύ, παραδίδει μαθήματα τεχνητής νοημοσύνης στο Amazon Machine Learning University και στο Πανεπιστήμιο της Οξφόρδης.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/
