Veri yönetimi ve senkronizasyonu nasil daha akilli hale getirilebilir detayli anlatimi.
Genel olarak, plastik parça tasarimi, kalip imalati ve üretim öncesi deneme asamasindan baslayarak tüm enjeksiyon kaliplama ürün yasam döngüsü, genellikle önemli miktarda veri parametresi ve teknik bilgi gerektirir. Sonuç olarak, ekip üyeleri gelistirme süreci sirasinda geleneksel kagit tabanli kayitlara güvenirlerse, zor yönetim, geciken bilgiler veya artan hata egilimi gibi zorluklarla karsilasabilirler. Moldex3D, kagit tabanli kayitlarin neden oldugu sikintilari çözmek için kalip tasarimi ve plastik kaliplama için organizasyona yönelik iSLM veri yönetimi platformunu piyasaya sürdü. Bu platform, gelistirme ekiplerine tüm tasarim sürecini belgelemede ve is akisi boyunca tüm verileri bir arada düzenlemede yardimci olmayi amaçlamaktadir. Görsel sunum sayesinde, tüm gelistirme sürecine ve ilgili verilere net bir genel bakis saglayarak ekibin verimliligini artirir.
Sekil 1. iSLM veri yönetim platformu, plastik enjeksiyon sürecinin tamaminin kaydedilmesine yardimci olur.
iSLM platformunda depolanan ve kaydedilen çesitli veriler enjeksiyon sürecinde çok önemli varliklardir. Bu nedenle, bu genis ve karmasik verilerin grafikler ve çizelgeler gibi daha anlasilir formlara dönüstürülmesi ekip için faydali olabilir.
Örnegin, platformdaki proje yönetimi özelligi, özellikle Kalite Gösterge Tablosu, CAE uzmanliginin görünmez uzmanligini ürün tasarim yasam döngüsü için somut tasarim yönergelerine dönüstürür. Bu, daha sonra CAE analiz is akisina uygulanarak ekibin sonuçlari analiz etmesine ve parametreleri ayarlamasina yardimci olur, böylece üretim verimliligini artirir ve daha fazla olasiligi kesfeder. Görev yönetimi özelliginde, bireysel görevler kosullari belirtmek için renklerle farklilastirilir ve sayfada görsel efektler sunar. Bu, bireysel veya ekip çalismasi ilerlemesini sanal olarak yönetir ve görevlerin kolay izlenmesini kolaylastirir. 2023'te piyasaya sürülen yeni gösterge paneli özellikleri, verileri yönetmenin daha gelismis ve kapsamli bir yolunu sunuyor. Siradan ve karmasik verileri çesitli grafik türleri araciligiyla sunarak canlandirir ve bilgilere canlilik kazandirir. Bu, ekip üyelerinin yalnizca hos ve pratik is bilgilerini görüntülemesine degil, ayni zamanda verilerdeki içgörüleri ve degisiklikleri hizli bir sekilde toplamasina olanak tanir.
Sekil 2. Kalite gösterge tablosu olusturma penceresi
Sekil 3. iSLM platformunda görev yönetimi sayfasi
iSLM'deki gösterge tablosu yönetimi islevi nasil önemli bir yardim saglayabilir? Yapay zeka ve makine ögrenimi gibi iSLM bilgi tabaninda veri arastirmasi veya ileri düzey arastirma yapmamiz gerektigini düsünün. Belirli projeleri gereksinimlere göre filtreleyebilir ve ardindan bunlari CSV veri raporlari olarak disa aktarabiliriz.
Ancak, düzenli olarak haftalik veri güncellemeleri yapmamiz gerekiyorsa, projeleri filtreleme, CSV raporlarini disa aktarma ve verileri güncelleme gibi tekrarlayan süreçler yönetim açisindan oldukça verimsiz olabilir. Bu nedenle, iSLM'deki yeni gösterge paneli yönetimi özelligi, kullanicilarin önce grafikler olusturmasina ve ardindan iSLM'de depolanan verileri ekip üyelerinin görüntülemesi için gerçek zamanli, senkronize bir sekilde görsel olarak görüntülemesine olanak tanir. Bu yaklasim, veri toplamayi görsellestirmeye ve veri uygulamasini kisisellestirme hedeflerine ulasmaya yardimci olur.
Yukarida bahsedilen özel grafik olusturma özelligini kullanarak, kullanicilar pasta grafikler, çizgi grafikler, radar grafikler gibi dokuz farkli grafik türü arasindan seçim yapabilirler. Ardindan, gereksinimlere göre filtreleme kosullari belirleyip belirlemeyeceklerine karar verebilirler. Olusturulduktan sonra, ekip üyeleri bu grafikleri gösterge tablosu yönetim sayfasinda inceleyebilir.
Öte yandan, gösterge tablosu yönetiminde, ilgili grafikler de birlikte gruplandirilabilir. Bu grafikleri bir grup olarak görüntülemek, bir bakista önemli bilgiler saglayabilir. Asagida gösterge tablosu özelliklerine iliskin birkaç örnek sunulacaktir：
Simülasyon verilerinin yani sira, kalip deneme ve CAE verileri de gösterge tablosu sayfasinda görüntülenebilir. Bir araba tamponu tasarlama ve üretme örnegini ele alan asagidaki örnek, kullanicilara model olustururken yolluklarin nasil tasarlanacagi ve verilerin nasil seçilecegi hakkinda bilgi vermektedir. Ayrica, simülasyon sonuçlari ile iz kaliplama sonuçlari arasinda bir karsilastirma sunar. Bu bilgiler sayesinde, ekip üyeleri üretim engellerini daha dogru bir sekilde belirleyebilir ve iyilestirme için önemli alanlari saptayabilir.
Sekil 4. CAE ve kalip deneme verilerini karsilastirmak için gösterge paneli
Yöneticiler, ilgili grafikler olusturarak mevcut proje durumunu ve departmanlar arasindaki uygulamayi izleyebilir, proje ilerlemesini etkili bir sekilde takip edebilir ve görevlerin sorunsuz bir sekilde yürütülmesini saglayabilir. Asagidaki sekilde proje yönetimi perspektifinden tasarlanmis veri istatistikleri gösterilmektedir. Bu örnekte iSLM'deki vaka sayisi, ürün kategorileri, olusturma süreleri ve sorumlu departmanlar gibi ayrintilar yer almaktadir. Kullanicilar gelistirme verilerine web üzerinden erisebilir ve tüm bilgileri gerçek zamanli olarak kavrayabilir.
Sekil 5. Yönetim seviyesi için istatistiksel verilerin gösterge tablosu
Teknolojideki basarili gelisme sayesinde, YZ uygulamalari yayginlasmakta ve yavas yavas hayatimizi ve isimizi degistirmektedir. Mevcut teknoloji alanindaki en popüler konularda oldugu gibi, YZ'nin gelecek trendleri arasinda "otomasyon ve makine ögrenimi", "YZ ve büyük veri", "dogal dil isleme", "YZ ve Nesnelerin Interneti (IoT)" ve daha fazlasi yer almaktadir. Bu trendlere bakildiginda, ister makine ögrenimi, ister büyük veri veya IoT olsun, bol miktarda veri toplamanin çok önemli oldugu açiktir. Ne kadar çok veri, o kadar güçlü yapay zeka modeli ögrenme yetenekleri. Ancak, mesele sadece miktar degil, verilerin kalitesi de önemlidir.
Düsük kaliteli veriler ise yaramaz ve hatta yanlis sonuçlara yol açabilir. Bu nedenle, yüksek kaliteli ve çok sayida veri toplamak yapay zeka gelisimi için kritik öneme sahiptir.
iSLM platformunda depolanan büyük ve karmasik verilerin sindirilebilir ve anlasilabilir görsel içeriklere dönüstürülmesi, veri toplamada yapay zeka teknolojisine yardimci olabilir. Ayni zamanda veri kaliplarini, trendleri ve iliskileri belirlemeyi kolaylastirir. Ayrica gelistirme ekibinin üretim ve imalat kararlarini hassas ve hizli bir sekilde almasini saglar. Mevcut kalite kontrol paneli puanlama kriterleri ve görev yönetimi karti takibi, yalnizca parametrelerin belirlenmesi için ölçütler saglamakla kalmaz, ayni zamanda yöneticinin verimliligini de artirir. Ayrica, gösterge paneli özellikleri, ekip üyelerinin çevrimiçi web üzerinden verilere erismesini destekleyerek zaman ve mekan sinirini ortadan kaldirabilir ve kullanicilarin tüm senkronize güncellemeleri almasini saglayabilir. Dahasi, sanal ve gerçek verileri birlestirerek, görsellestirilmis veriler çapraz kalip proje veri gösterimine uygulanabilir, ekip üyelerinin toplanan verileri karsilastirmasina ve kisisellestirilmis akilli veri uygulama hedeflerine ulasmasina yardimci olur.
15.01.2024
Türkçe