Інтеграція штучного інтелекту в системи підтримки прийняття рішень в оптимізації виробничих процесів машинобудівного підприємства на прикладі машинного навчання
DOI:
https://doi.org/10.32515/2664-262X.2024.10(41).2.95-103Ключові слова:
штучний інтелект, машинне навчання, глибоке навчання, система підтримки прийняття рішень, прогнозне технічне обслуговування, контроль якості, оптимізація виробничих процесівАнотація
У статті представлено комплексний огляд систем підтримки прийняття рішень в галузевому машинобудуванні на основі штучного інтелекту у контексті Індустрії 4.0. Проаналізовано підходи до інтеграції та обробки даних, а також основні методи машинного та глибокого навчання, що формують технологічне підґрунтя таких рішень. Окреслено архітектуру, типові етапи впровадження і запропоновано план інтеграції штучного інтелекту для машинобудівного підприємства, включно з описом складових рішення та ключових стратегій розгортання. Розглянуто потенційні виклики й надано рекомендації щодо успішної реалізації. Результати впровадження можуть значно скоротити незаплановані простої устаткування, підвищити ефективність виробництва й забезпечити підприємствам суттєву конкурентну перевагу.
Посилання
Список літератури
1. J.M. Tien. Internet of things, real-time decision making, and artificial intelligence. Annals of Data Science, 4 (2017), 149-178. URL: https://link.springer.com/article/10.1007/s40745-017-0112-5
2. H. Hu, Y. Wen, T.-S. Chua, X. Li. Toward scalable systems for big data analytics: A technology tutorial. IEEE access, 2 (2014), 652-687. URL: https://ieeexplore.ieee.org/document/6842585
3. S. Gupta, S. Modgil, S. Bhattacharyya, I. Bose. Artificial intelligence for decision support systems in the field of operations research: review and future scope of research. Annals of Operations Research, 308 (1) (2022), 215-274. URL: https://link.springer.com/article/10.1007/s10479-020-03856-6
4. E. Ananias, P.D. Gaspar, V.N. Soares, J.M. Caldeira. Artificial intelligence decision support system based on artificial neural networks to predict the commercialization time by the evolution of peach quality. Electronics, 10 (19) (2021), 2394. URL: https://www.mdpi.com/2079-9292/10/19/2394
5. M.I. Jordan, T.M. Mitchell. Machine learning: Trends, perspectives, and prospects. Science, 349 (6245) (2015), 255-260. URL: https://www.science.org/doi/10.1126/science.aaa8415
6. N. Kriegeskorte. Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual review of vision science, 1 (2015), 417-446. URL: https://www.annualreviews.org/content/journals/10.1146/annurev-vision-082114-035447
7. T. Taleb, C. Benzaïd, R.A. Addad, K. Samdanis. AI/ML for beyond 5G systems: Concepts, technology enablers & solutions. Computer Networks, 237 (2023), article 110044. URL: https://www.sciencedirect.com/science/article/abs/pii/S1389128623004899
8. I.H. Sarker. AI-based modeling: techniques, applications and research issues towards automation, intelligent and smart systems. SN Computer Science, 3 (2) (2022), 158. URL: https://link.springer.com/article/10.1007/s42979-022-01043-x
9. B. Nathali Silva, M. Khan, K. Han. Big data analytics embedded smart city architecture for performance enhancement through real‐time data processing and decision‐making. Wireless communications and mobile computing, 2017. URL: https://onlinelibrary.wiley.com/doi/full/10.1155/2017/9429676
10. S. Sun, X. Zheng, J. Villalba-Díez, J. Ordieres-Meré. Data handling in industry 4.0: Interoperability based on distributed ledger technology. Sensors., 20 (11) (2020), 3046. URL: https://www.mdpi.com/1424-8220/20/11/3046
11. A. Krtalić, A. Kuveždić Divjak, A. Miletić. Toward Data Lakes for Crisis Management. The International Archives of the Photogrammetry, Remote Sensing and Spatial. Information Sciences, 48 (2023), 539-546. URL: https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/539/2023/
12. H.-Y. Cheng, Y.-C. Wu. Applying machine learning models with an ensemble approach for accurate real-time influenza forecasting in Taiwan: Development and validation study. Journal of medical Internet research, 22 (8) (2020), article e15394. URL: https://www.jmir.org/2020/8/e15394
References
1. J.M. Tien. (2017). Internet of things, real-time decision making, and artificial intelligence. Annals of Data Science, 4 149-178. https://link.springer.com/article/10.1007/s40745-017-0112-5
2. H. Hu, Y. Wen, T.-S. Chua, & X. Li. (2014). Toward scalable systems for big data analytics:
A technology tutorial. IEEE access, 2, 652-687. https://ieeexplore.ieee.org/document/6842585
3. S. Gupta, S. Modgil, S. Bhattacharyya, & I. Bose. (2022) Artificial intelligence for decision support systems in the field of operations research: review and future scope of research. Annals of Operations Research, 308 (1). 215-274. https://link.springer.com/article/10.1007/s10479-020-03856-6
4. E. Ananias, P.D. Gaspar, V.N. Soares, & J.M. Caldeira. (2021). Artificial intelligence decision support system based on artificial neural networks to predict the commercialization time by the evolution of peach quality. Electronics, 10 (19). 2394. https://www.mdpi.com/2079-9292/10/19/2394
5. M.I. Jordan, & T.M. Mitchell. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349 (6245). 255-260. https://www.science.org/doi/10.1126/science.aaa8415
6. N. Kriegeskorte. (2015). Deep neural networks: a new framework for modeling biological vision and brain information processing. Annual review of vision science, 1 417-446. https://www.annualreviews.org/content/journals/10.1146/annurev-vision-082114-035447
7. T. Taleb, C. Benzaïd, R.A. Addad, & K. Samdanis. (2023) AI/ML for beyond 5G systems: Concepts, technology enablers & solutions. Computer Networks, 237 article 110044. https://www.sciencedirect.com/science/article/abs/pii/S1389128623004899
8. I.H. Sarker. (2022). AI-based modeling: techniques, applications and research issues towards automation, intelligent and smart systems. SN Computer Science, 3 (2) 158. https://link.springer.com/article/10.1007/s42979-022-01043-x
9. B. Nathali Silva, M. Khan, & K. Han. (2017). Big data analytics embedded smart city architecture for performance enhancement through real‐time data processing and decision‐making. Wireless communications and mobile computing, https://onlinelibrary.wiley.com/doi/full/10.1155/2017/9429676
10. S. Sun, X. Zheng, J. Villalba-Díez, & J. Ordieres-Meré. (2020). Data handling in industry 4.0: Interoperability based on distributed ledger technology. Sensors., 20 (11) 3046. https://www.mdpi.com/1424-8220/20/11/3046
11. A. Krtalić, A. Kuveždić Divjak, & A. Miletić. (2023), Toward Data Lakes for Crisis Management. The International Archives of the Photogrammetry, Remote Sensing and Spatial. Information Sciences, 48 539-546. https://isprs-archives.copernicus.org/articles/XLVIII-1-W2-2023/539/2023/
12. H.-Y. Cheng,b & Y.-C. Wu. (2020). Applying machine learning models with an ensemble approach for accurate real-time influenza forecasting in Taiwan: Development and validation study. Journal of medical Internet research, 22 (8) article e15394. https://www.jmir.org/2020/8/e15394
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Р.Ю. Бойко, В.В. Аулін, А.А. Тихий, С.О. Карпушин, О.П. Коваль
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
