Nyheder

Big data viser produktionen nye veje

Jagten på produktivitet forsætter i Novo Nordisk med PoC om AI, BIG DATA og machine learning

Novo Nordisk gennemfører pt. forsøg med en cloudbaseret løsning til visning af real tids produktionsdata, historiske data, bigdata samt kunstig intelligens modeller til at gætte på fremtidig performance.

For Novo Nordisk er det vores næste teknologiske skridt i jagten på at reducere udstyrsstop, råvarespild, omkostninger til vedligehold etc. Det gør vi fordi, effektiviteten ikke stiger i samme takt som før, hvilket fortæller os, vi nu skal tænke i andre baner for at finde de næste effektivitetsstigninger. Siden januar 2017 har Novo Nordisk derfor gennemført de første test – en Proof of Concept, PoC – af nye digitale teknologier, der understøtter realiseringen af de fremtidige effektiviseringstiltag. I september var vi klar med vores konklusioner om de teknologiske muligheder. Testen har haft fokus på forretningsmæssige og tekniske aspekter af Big Data, hvor jeg her vil fokusere på de tekniske mere systemmæssige sider:

  • Software as a Service eller lokalt setup
  • IT security compliant
  • Håndtering af GxP regulerede data
  • Behov for egne ressource og kompetence udvikling
  • Analyse metoder incl. Machine Learning
  • Dataopsamling fra eksisterende udstyr
  • Integration med Business Intelligence platform

Vi gennemførte vores test i samarbejde med en mindre niche virksomhed, som har fokus på farmaindustrien (GxP) og data opsamling fra de produktionssystemer og teknologier, der oftest bruges i den farmaceutiske industri. Det teknologiske setup består af en java-baseret software opsamlings komponent for data.

Ved ankomsten til vores private cloud, bliver pakkerne dekrypteret og gemt i en key value database (AWS – S3 storage). Fra cloud platformen har vi adgang til dataopsamlingerne og kan gennemføre simple analyser på dem. Vi konfigurerede simple Machine Learning algoritmer, der gav et gæt på, hvordan forskellige parametre vil udvikle sig i fremtiden. Platformen indeholder funktionalitet for de mest gængse algoritmer til analyse (RandomForrest, K-Mean etc.) Platformen fungerer som et fuldt IT system med funktioner for konfigurering af brugerrettigheder, opsætning af alarmer baseret på events, audit trail på data etc.
Det har vi lært er vist i boksen.

Læring fra PoC'en

Det tager tid at få åbnet og godkendt åbninger i firewalls ud imod cloud udbyderen. Få dine Enterprise systemer til at understøtte REST kommunikation.

---------------------------------------------------------------------------------

Involver dine IT sikkerhedsfolk i tide, og lad dem auditere din cloud udbyder.

---------------------------------------------------------------------------------

Vurder datakonfidentialitet per data type og ikke per system.

---------------------------------------------------------------------------------

Machine Learning kræver store mængder historiske data (gerne 2 år). Men virker.

---------------------------------------------------------------------------------

Udvikling af løsningerne skal ske i  samarbejde med forretningen (Dette er ikke en IT opgave).

Næste skridt for os er en reel operationalisering af platformen og opbygning af et program der servicerer, vedligeholder og udvikler platformen. Vores ambition er at skabe et katalog af optimeringsløsninger (App’s), som vi kan tilbyde produktionsområderne.

I PoC’en er vi ikke stødt på reelle teknologiske udfordringer. De største forhindringer er en manglende organisatorisk modenhed over for brug af cloud teknologier til opbevaring og processering af produktionsdata, da der er en generel frygt for opbevaring af data hos en cloud udbyder og ikke hos os selv, som per definition er mere usikkert. Personligt ser jeg ikke dette som rigtigt, og bruger meget tid på at italesætte hvilke sikkerheds kontroller, der er i cloud løsningen, og at disse som minimum matcher vores interne sikkerheds kontroller. Fokus i vores fremtidige løsninger vil være prædikative modeller, der kan guide produktionsgulvet til de rigtige valg i realtime – en GPS vejviser til produktionen.

Vores næste teknologiske skridt er at reducere udstyrsstop, råvarespild, omkostninger til vedligehold. Det gør vi fordi, effektiviteten ikke stiger i samme takt som før, og vi skal tænke i andre baner nu for at finde de næste effektivitetsstigninger. KASPER MALTHE LARSEN, CHIEF TECHNOLOGY ARCHITECT, NOVO NORDISK

En praktisk udfordring, der skal løses, er aftaler om, og styring af data udveksling imellem datakilder. I PoC fasen var vi i stand til at indgå enkeltaftaler om modtagelse af data fra diverse kilder, men løste ikke opgaven med datagovernance og ejerskab.

Jeg ser ind i en fremtidig opgave, med at kortlægge, hvor data er, og definere data og opbygning af et entreprise datakatalog med tilhørende processer og regler for, hvordan data deles imellem repositories.

KASPER MALTHE LARSEN, CHIEF TECHNOLOGY ARCHITECT, NOVO NORDISK
Skrevet af:

KASPER MALTHE LARSEN, CHIEF TECHNOLOGY ARCHITECT, NOVO NORDISK

Relateret