Datu(a) Smart Digital: datuen analitikarako adimen artifiziala industrian

Ezkerretik eskuinera: Alberto Rezola, Datu(a) enpresako fundatzaile eta bazkide zuzendaria; Asier Insausti, Data Scientist; Imanol Uria, Data Scientist, eta Haritz Laboa, Data Scientist.

Merkatu Taldean integratutako konpainia honek irabazi du GHI Smart Furnaces enpresak Bizkaia Open Future ekimenaren bidez abiarazitako erronka

Datu(a) Smart Digital konpainia donostiar bat da, jatorrian Mathematics for Life (M4L) startupa duena, zeina duela bi urte sortu baitzen, datuei azken belaunaldiko teknika matematikoak aplikatzeko eta balio erantsi handiko erantzunak emateko. Merkatu Smart Digital taldearen kapitalean sartu ondoren, Datu(a) konpainiak Merkatu Taldeko datuen dibisio bezala definitzen du bere burua. Datu(a) Smart Digital enpresako fundatzaile eta bazkide zuzendari Alberto Rezolarekin mintzatu gara.

Zer egiten duzue Datu(a)n?

Laguntza ematen diegu gure bezeroei datuen balioa ustiatzeko prozesuan. Agian ez dugu bezeroen funtzionamenduari buruzko ezagutza funtzionalik, edo ez dakigu zehazki zer egiten duten, baina gai gara beren premiak ulertzeko, badauzkagu machine learning eta deep learning teknologiei buruzko ezagutzak, eta badakigu nola egokitu teknologia horiek enpresen premia zehatzetara. Izan ditzaketen arazoak konpontzen eta barruko prozesuak optimizatzen laguntzen diegu.

Jarriko diguzu zuen kasu arrakastatsuen adibideren bat?

Hor daukagu GHI Smart Furnaces enpresaren kasua. Enpresa horrek erronka bat abiarazi zuen Bizkaia Open Future ekimenaren bidez, eta

Datu(a)k erronka irabazi zuen. Hauxe zen enpresak planteatutako erronka: nola aurreikusi zein den une optimoa aluminio-txatarra kargatzeko galdaketa-labeetan? Kontua da urtu beharreko txatar guztia ezin dela kolpe bakarrean bota, eta langileak erabaki behar duela zein den horretarako momentu egokiena. Langileak hartutako erabakiaz harago, GHIk eskura izan nahi zuen datuetan oinarritutako informazioa, jakiteko zein den txatarra botatzeko momentu onena eta ahalik eta gehien maximizatzeko tona/orduko produktibitatea. Behin prozesua ezagutu ondoren (zein diren aldagai garrantzitsuenak eta nola eragiten duten produktibitatean), proposatu genien eredu bat sor zezaketela jakiteko zein izango den labekada bakoitzaren produktibitatea aldagai desberdinak kontuan hartuta.

Beste kasu arrakastatsu bat da CAFena. Laguntza ematen ari gara tresna bat garatzeko, bere bitartez gai izan daitezen hobeto ezagutzeko zenbat higatzen diren trenen osagai garrantzitsuenak. Hau da, tresna horren bidez jakingo dute zein den piezen higadura, bizitza erabilgarria eta desbideratzeak, neurri zuzentzaileak hartu behar badira, ahalik eta azkarren hartzeko. Horrela, mantenimendua minimizatuko dute eta osagaien higaduraren desbideratzeak detektatuko dituzte, galera ekonomikoak saihesteko. Labur esateko, asmoa da osagaien mantenimendu prediktiboa egitea eta bizitza baliagarria kalkulatzea. Trenen kasuan, oso garrantzitsua da jakitea zein den aldaketak egiteko mantenimenduaren kostua ekipoak saltzeko eskaintzak planteatzerakoan.

Orobat lantzen ditugu hizkuntza naturalaren prozesamendua, machine learning, sare neuronalak eta deep learning teknologiak, zehazkiago, irudi eta testuen analisia. Tresna horiei esker, 20tik gora urtetan sortutako informazio dokumentala prozesatu dezakegu % 90eko zehaztasunarekin. Horrela esku-lan asko saihesten da, eta prozesatu daitekeen informazio hori (istorio klinikoak, informazio seguruak) datu gisa erabili daiteke eredu konplexuak proiektatzeko.

Zer da garrantzitsuena adimen artifiziala datuen analitikan aplikatzeko orduan?

Ezinbestekoa da datuak prest edukitzea adimen artifiziala edo planteamendu aurreratuagoak aplikatzeko. Guk gobernantza ereduak ezartzen ditugu antolakundeetan, funtsezkoak direlako oinarrizko analitika bat egiteko orduan. Eta analitika hori ona izango bada, datu-base bakar bat eduki behar da. Arazoak sortzen dira informazioa zuzena, anitza edo ona ez denean, AA sistemak ezingo duelako informazio horretatik ongi ikasi. Datuak gaizki badaude edo txarrak badira, sortuko duzun eredua ere berdin txarra izango da. Adimen artifizialeko eredu bat edo machine learning teknologia bat ona izango da ikasteko dauzkan datuen aniztasuna eta kalitatea onak diren neurrian.

Datuen gobernantza aipatu duzu. Informazioaren babesarekin lotutako guztia ere oso garrantzitsua da.

Azkenaldian leku askotan ezarri da datuen gobernantza, legeek datuen babeserako hainbat araudi inposatu dituztelako. Enpresetan datuen gobernantza aipatzen denean, badirudi garrantzitsua den gauza bakarra dela araudiak betetzea, eta askotan ez da kontuan hartzen analitika on bat egiterakoan duen inpaktua. Argi dago ezinbestean jakin behar dudala nondik datorren datua, eta datu hori tratatzeko zein baimen dauzkadan, baina datuak landu ahal izateko orobat garrantzitsua da datuak homogeneoak izatea, integritatea bermatzea eta kalitatezkoak izatea. Adibidez, helbideen kasuan: inprimaki bat betetzean, berdin jar dezaket egiazko edo gezurrezko helbide bat. Datuak babestean, berdin dio informazioa zuzena den ala ez, baina analitikari dagokionez, datuak zuzena izan behar du, bestela arazo bat sortzen da. Adimen artifizialeko proiektu batean, datuak prestatzeko prozesuan egiten da ahaleginaren % 70. Gure iritziz, datuen kalitatea ez da egiaztatu behar analizatu ondoren, baizik eta aldez aurretik, datu guztiak egiaztatuta egon daitezen. Jakin behar da datua existitzen dela eta egiazkoa dela.

Datuak adimen artifizialeko tresnen bidez analizatzeaz gain, baduzue bestelako zerbitzurik zuen bezeroentzat?

Gure bezeroentzat oso garrantzitsua da kontuan izatea zertarako aztertu nahi dituzten datuak. Guk gomendatzen diegu irudika dezatela non egon nahiko luketen hemendik urte batzuetara, Plan Estrategiko bat oinarritzat hartuta. Datuen ustiapenak eta datuen analitikako proiektuek inpaktu mugatua izango dute kudeatzailetzak ez badie ematen erabateko babesa.

Datuak atzeman eta sortzeko sentsore eta gailuei dagokienez, guk ez dugu zuzenean lan egiten hardware horrekin, baina badauzkagu lan horretan diharduten partner-ak, eta big data plataforma propio bat, biltegiratze eta konputazio gaitasun eskalagarriekin.

Zenbat denbora irauten dute zuen proiektuek?

Lan-metodologia zehatz bat definitu dugu, zeinari esker hasierako proiektuak egin baititzakegu kostu gehiegitan sartu gabe. Proiektua oso handia izanik ere, bizpahiru hilabeteko proiektu txikitan “hausten” dugu, gero pixkanaka handitzen joateko. Hasierako proiektua ongi badoa, beste bat jartzen dugu martxan. Metodologia honek badu abantaila bat: zerbaitek ez badu ondo funtzionatzen, segituan ohartzen gara eta erabaki egokiak har ditzakegu. Bestalde, gure esperientziagatik, badakigu enpresaren helburuak aldatu egiten direla 6-8 hilabeteko prozesuetan. Metodologia honi esker, proiektu bat 2 hilean behin berrorientatu daiteke enpresen premien arabera.