Использование методов искусственного интеллекта, а точнее машинного обучения, все чаще рассматривается как революционный инструмент. Но что такое машинное обучение?

Интересное описание предложил Франсуа Шолле. В своей книге Глубокое обучение с помощью Python он определяет машинное обучение (МО) как новую вычислительную парадигму. В обычных вычислениях мы предоставляем компьютеру правила и данные и ожидаем правильных результатов. С помощью машинного обучения этот порядок изменен. Мы предоставляем данные и результаты компьютеру и ожидаем, что правила будут ответом.

Эта новая вычислительная парадигма существенно меняет наш способ решения повседневных задач и открывает широкий спектр возможностей во всех областях обучения. В последние несколько лет машинное обучение широко используется, в том числе в промышленном секторе. Несмотря на такой широкий размах и наличие большого количества отличных профессионалов, работающих в этой области, некоторые распространенные ошибки наблюдались (и их следует избегать) при разработке промышленных проектов. Хотя существует множество других ошибок, в этой статье мы рассмотрим три из этих возможных ошибок.

1. Забывание основ

Такие концепции, как Индустрия 4.0, цифровизация, искусственный интеллект, машинное обучение и IIoT, в настоящее время являются главными тенденциями в индустриальном мире. Проекты с таким подходом часто получают особое внимание в портфолио профессионалов, и некоторые профессионалы склонны выбирать такое решение во время разработки проекта, чтобы повысить шансы на одобрение своего проекта. Но суть в следующем: подходит ли этот инструмент (машинное обучение или любой другой) для решения вашей проблемы? Вам нужно задать себе несколько вопросов, прежде чем выбрать какой-либо из этих «современных» инструментов. Я перечислил некоторые здесь, хотя есть много других:

  • Пробовал ли я использовать более простой алгоритм для решения этой проблемы (например, логику ПЛК)?
  • Приводит ли хорошо синтезированный регуляторный контроль к аналогичным или лучшим результатам контроля?
  • Есть ли у нас подходящая, хорошо обученная команда, которая поддерживает работу этих новых приложений?
  • Даст ли другой набор качественных инструментов (таких как диаграммы Парето или причинно-следственные диаграммы) достаточно данных, чтобы получить правильное представление?

Обратите внимание: я не говорю, что такие инструменты, как машинное обучение, не могут дать отличных результатов или что эти инструменты слишком сложны. Однако важно помнить, что простые решения часто дают хорошие результаты и обычно должны быть первым шагом на пути к Индустрии 4.0.

2. Не обращая внимания на качество данных

Инструменты машинного обучения для обработки данных сейчас широко распространены. Крупные компании, такие как Google, и многие группы с открытым исходным кодом разработали отличные библиотеки машинного обучения. Эти библиотеки доступны в Интернете, некоторые из них доступны по низкой цене или бесплатно. Однако если посмотреть на картину в целом, любой проект по машинному обучению включает четыре основных этапа:

  • Понимание и подготовка данных
  • Обработка этих данных
  • Анализ результатов
  • Действовать разумно на основе анализа данных

Тем не менее, когда мы смотрим на весь процесс разработки проектов машинного обучения, некоторые профессионалы нередко переходят сразу к промежуточным этапам (обработка данных и анализ результатов), не уделяя достаточного внимания сбору и подготовке данных.

Основой любого проекта машинного обучения являются данные. Как и в кулинарии, где отправной точкой любого хорошего блюда является использование хороших ингредиентов, важным фактором при разработке хорошего проекта машинного обучения является получение и использование качественных продуктов. данные. Особенно в промышленности получение этих данных может быть сложной задачей. Неполный список потенциальных проблем показан ниже:

  • Отсутствие приборов (отсутствующие данные)
  • Менее точные данные из-за неправильной установки, обслуживания или настройки приборов.
  • Неправильные метки данных из-за неправильных представлений в задачах обучения под контролем анализа

Даже с этими проблемами при правильной подготовке данных (иногда с промышленным соответствием) можно создать достаточно сильную базу данных для получения отличных результатов.

Итак, не торопитесь с этой важной задачей!

3. Игнорирование знаний экспертов

Это может быть спорным аргументом. Некоторые профессионалы могут сказать, что если вам нужно экспертное мнение, вам следует выбрать экспертную систему, например, с использованием нечеткой логики. С противоположной точки зрения, когда мы исследуем огромный объем знаний, которыми обладают наши компании, простое их игнорирование не кажется лучшим способом развития наших процессов.

Когда мы реализуем проекты машинного обучения, лучший способ — создать междисциплинарную команду, объединяющую разработчиков машинного обучения (людей, которые разбираются в методах машинного обучения, т. е. глубоком обучении, обработке естественного языка, ансамблевых методах, кластеризации и т. д.) с надлежащим экспертом. советники (профессионалы, знающие реальность процесса и реальные проблемы, которые необходимо решить). Эта междисциплинарная команда катализирует хорошие результаты. Вероятно, вы получите более точные решения, с большей вероятностью, что сможете реализовать их в реальном мире.

Идти дальше

Несмотря на существующие серьезные проблемы и предостерегающие истории, машинное обучение все чаще демонстрирует себя как мощный инструмент. Машинное обучение и десятки других инструментов, направленных на модернизацию и развитие индустриального мира, — это тренд и естественный (и необходимый) эволюционный процесс. Однако, особенно в критических процессах в промышленности, медицине и других областях, необходимо соблюдать осторожность. Поэтому не пропускайте шаги: делайте свой проект максимально простым, заботьтесь о своих данных и не забывайте об экспертах.

Как мы видим, проект по машинному обучению — это не короткий путь, а долгий путь. Как и любое путешествие, это состоит из отдельных шагов, и последний шаг имеет такое же значение, как и первый.

об авторе

Луис Рожерио де Фрейтас Джуниор, магистр наук, CAP, посвятил более десяти лет своей карьере в области автоматизации проектированию, разработке и обслуживанию промышленных систем управления, особенно в горнодобывающей промышленности. В настоящее время Луис работает старшим инженером по автоматизации в Vale SA и является старшим членом Международного общества автоматизации (ISA).

Первоначально опубликовано на https://blog.isa.org.