Cliccando sulla freccia in alto a destra nella dashboard principale, si passa ad una seconda dashboard, nella quale è possibile selezionare un intervallo temporale per visualizzare i dati storici delle rilevazioni.
In questo caso è presente un selettore utilizzabile per scegliere le date di inizio e fine e, in base all’intervallo scelto, viene visualizzato un grafico con una granularità:
giornaliera, se è maggiore di 5 giorni;
oraria, se è compreso tra 1 e 5 giorni, visibile in Figura 6.4; al minuto, se è compreso tra le 2 e le 24 ore, visibile in Figura
6.5;
al secondo, se è inferiore alle 2 ore.
E’ inoltre presente un selettore per scegliere il tipo di aggregazione delle misure (se la granularità è superiore al secondo) e due selettori per
67
selezionare rispettivamente il gruppo di variabili che vogliamo visualizzare e il loro nome.
Ad ogni diversa selezione del periodo temporale viene effettuata una query su PDA per ritrovare i dati ad esso relativi, le elevati prestazioni di questo strumento permettono comunque di avere tempi di risposta molto brevi. Una volta recuperati i dati, la scelta su che tipo di granularità mostrare sfrutta un campo calcolato che esegue la differenza tra i parametri Start Date e End Date.
68
7 C
ONCLUSIONI
In questa tesi si è presentato il lavoro svolto, presso l’azienda SDG Group, ai fini dello sviluppo di un prototipo che rendesse consapevole l’azienda committente di tutta una serie di tecniche e tecnologie che, qualora fatte proprie, potessero portare un enorme vantaggio in termini di efficienza nei processi chiave del suo business. La realizzazione finale del sistema che, a partire da una sorgente dati in cui sono memorizzate le rilevazioni di un insieme di sensori situati all’interno del pannello isolante, permettesse la previsione dell’esito finale del ciclo di sterilizzazione è stato il caso “zero” (prendendo in prestito la definizione dall’ambito medico) il quale ha permesso all’azienda SDG di ottenere una fonte interna di competitività derivante dall’acquisizione di conoscenze pratiche sugli strumenti e metodologie utilizzati nel corso del progetto. Per questi motivi lo sviluppo del progetto, fin dalle sue prime fasi, è sempre stato oggetto di notevole interesse sia da parte dell’azienda proponente che dell’azienda cliente.
Una naturale conseguenza degli aspetti innovativi introdotti è stata il notevole sforzo che è stato profuso per la sua realizzazione; sia la mancanza di altri casi simili da cui trarre spunto, sia il fatto che tutte le persone all’interno dell’ambiente lavorativo si trovassero ad utilizzare per la prima volta le tecnologie impiegate, hanno creato più volte notevoli difficoltà e rallentamenti nello sviluppo.
Anche lo sviluppo degli script nel linguaggio R, sebbene in questo caso si sia potuto contare sul valido supporto della Business Unit “Predictive & Streaming Analytics” interna ad SDG, ha richiesto un notevole sforzo in termini di acquisizione delle conoscenze teoriche e implementazione pratica. Tuttavia questi sforzi sono ampiamente ripagati dalla possibilità del riutilizzo di queste conoscenze ogni qualvolta si avrà a che fare con l’analisi di serie temporali, anche in contesti completamente diversi da quello oggetto della tesi.
69
Sebbene non sia stato possibile effettuare una verifica dell’accuratezza della previsione sui dati in arrivo, in quanto al momento del deploy del sistema non erano in corso cicli di sterilizzazione, la presentazione del progetto ha riscosso pareri positivi da parte del cliente, soprattutto per quanto riguarda l’utilizzo del software Infosphere Streams per l’analisi in tempo reale, che sfoceranno in una serie di nuovi progetti che ne coinvolgeranno l’impiego.
A conclusione rimane da dire che sono presenti numerosi aspetti che meritano successivi approfondimenti, ma questo rientra nella natura di un POC realizzato con tecnologie utilizzate per la prima volta. In particolare è stato fatto presente come l’accesso alla sorgente dati, per poter avere un’analisi in tempo reale, dovrebbe avvenire tramite una strategia di tipo
Push, in cui ogni nuova rilevazione dei sensori viene scritta in una coda
poi letta da Infosphere Streams, al contrario di quella Pull adottata dove i dati vengono richiesti effettuando un interrogazione al sistema. Le autorizzazioni per l’accesso al sistema che direttamente legge dai sensori e il possibile eccessivo allungarsi dei tempi di sviluppo hanno motivato la scelta di utilizzare questo tipo di strategia solo nel momento in cui si sarebbe trasformato il prototipo in un progetto completo. Un ulteriore approfondimento è possibile anche sul modello creato per la previsione. In questo caso i limiti, oltre ai tempi ristretti per l’analisi, sono stati la dimensione del dataset storico su cui è stato costruito, che potrà essere integrato con i dati dei nuovi cicli avvenuti nel frattempo, e l’informazione tardiva sulla suddivisione in fasi del ciclo di sterilizzazione, che può essere sfruttata per migliorare i pattern di riconoscimento.
70
8 B
IBLIOGRAFIA
[1] N. Golyandina, V. Nekrutkin and A. Zhigljavsky, Analysis of
Time Series Structure: SSA and Related Techniques, Chapman &
Hall/CRC, Boca Raton, 2001.
[2] N. Golyandina, A. Korobeynikov, A. Shlemov e K. Usevich, Multivariate and 2D Extensions of Singular Spectrum Analysis with the Rssa Package, Journal of Statistical Software, vol. 67, 2005, pp. 1-78.
[3] N. Golyandina e A. Korobeynikov, Basic Singular Spectrum Analysis and Forecasting with R, Computational Statistics and
Data Analysis, vol. 71, 2014, pp. 934-954.
[4] P.-N. Tan, M. Steinbach e V. Kumar, in Introduction to Data
Mining, Boston, Pearson Education Inc., 2006, p. 187.
[5] P.-N. Tan, M. Steinbach e V. Kumar, in Introduction to Data
Mining, Boston, Pearson Education Inc., 2006, pp. 295-298.
[6] IBM Corp., IBM Redbook | Addressing Data Volume, Velocity,
and Variety with IBM InfoSphere Streams V3.0, 12 Marzo 2013,
<http://www.redbooks.ibm.com/abstracts/sg248108.html>, 18 Dicembre 2015.
[7] IBM Corp., IBM Knoweldge Center - Developing Java primitive
operators, <https://www.ibm.com/support/knowledgecenter/
SSCRJU_4.0.0/com.ibm.streams.dev.doc/doc/ javaprimitiveoperators.html>, 25 Novembre 2015.
[8] IBM Corp., IBM Redbook | IBM PureData System for Analytics
Architecture, 08 Febbraio 2016,
<http://www.redbooks.ibm.com/abstracts/redp4725.html>, 20 Febbraio 2016.
71 [9] What is R?,
<https://www.r-project.org/about.html>, 25 Gennaio 2016. [10] Gartner Inc., Gartner Reprint, 4 Febbraio 2016,
<https://www.gartner.com/doc/
reprints?id=1-2XXET8P&ct=160204&st=sb>, 22 Febbraio 2016.