Vad är kunskapsutvinning?

Kunskapsutvinnning är den övergripande processen att extrahera värdefull information från data. Det involverar flera steg, inklusive datatvätt, dataurval, datautvinning och kunskapsvisualisering.

Kunskapsutvinning inom ramen för OPTIMERING

I samband med flödessimulering och optimering försöker kunskapsutvinning extrahera värdefull information från ett experiment eller optimeringsresultat. Ett experiment eller en optimering försöker ofta hitta ett specifikt resultat, till exempel “Vilken är lösningen med högst takt/h?” (givet specifika experimentparametrar). Kunskapsutvinning å andra sidan syftar ofta till att hitta mer generella regler som “Vad har de fem bästa procenten av lösningarna gemensamt?”.

Tillämpas på resultatet

Kunskapsutvinning interagerar normalt inte med flödessimuleringsmodellen eller optimeringen. Istället tillämpas kunskapsutvinning på resultatet av en flödessimulering eller en optimering.

Stora datamängder

Kunskapsutvinning fungerar bäst med stora datamängder. Därför finns det inget värde i att använda kunskapsutvinning till ett enstaka resultat från en flödessimulering. Kunskapsutvinning behöver flera olika simuleringskörningar för att kunna utvinna någon kunskap. Därav används det på optimeringsresultat eller resultat från stora experiment.

metoder

Det finns flera olika metoder inom kunskapsutvinning som kan användas. En av de enklare metoderna är att visualisera alla resultat i ett parallelldiagram där inställningar för varje parameter kan ställas in för att filtrera ut intressanta resultat. Många mjukvaror har möjlighet att tillämpa mer avancerade tekniker såsom olika sätt att identifiera gemensamma regler eller identifiera mönster.

Extrahera regler

Ett vanligt mål med kunskapsutvinning är att extrahera regler från ett optimeringsresultat. Det innebär vanligtvis att ett intressant område från det samlade resultatet väljs ut, till exempel de 10 % med högst takt/h och de 20 % med lägst Produkter i arbete (PIA).

I det utvalda delresultat görs en skanning för att identifiera likheter i experimentparametrarna mellan de olika resultaten. Dessa potentiella likheter blir de extraherade reglerna. De extraherade reglerna kan till exempel ange att den första maskinen kräver en tillgänglighet på över 95 %, eller att bufferten mellan den tredje och fjärde maskinen ska innehålla mellan 12 och 16 platser.

Identifiera mönster

En annan metod som används inom kunskapsutvinning är att automatiskt identifiera olika mönster i i det samlade resultatet. Dessa mönster används ofta för att gruppera resultat i olika kategorier som kan analyseras vidare, både manuellt och i kombination med andra tekniker.