Несколько мыслей об очень увлекательном путешествии.

Машинное обучение (ML) в наши дни добивается огромных успехов, преобразуя многие отрасли. Эффект будет усиливаться по мере появления новых инструментов, а инженеры смогут овладеть искусством создания своих систем машинного обучения.

Я присоединился к Groupe Renault в конце 2016 года, ожидая новых задач в области науки о данных в отрасли, которая меня интересовала. И, честно говоря, мне повезло с богатым опытом, который я получил в компании. Количество сценариев использования науки о данных / машинного обучения превзошло предел, который я мог себе представить. Когда люди обычно ненавидели сложные проблемы, это было нашим повседневным занятием в команде по анализу данных, которое мы быстро масштабировали, чтобы удовлетворить высокий спрос.

Мы надеемся, что эти несколько заметок дадут вам представление о том, как автопроизводители используют возможности машинного обучения в своем стремлении стать более управляемыми ИИ и данными.

Когнитивная аналитика бывает разных видов

Быть частью группы федеративных данных означает, что вы должны поддерживать различные бизнес-подразделения и оперативные подразделения, расположенные в отделах проектирования, производства, цепочки поставок, маркетинга, послепродажного обслуживания, финансов или отдела качества.

Нам необходимо разработать когнитивные решения, которые в зависимости от цели обычно попадают в одну из следующих категорий:

1- Статистика

Мы разрабатываем рабочие процессы аналитики данных, которые позволяют бизнес-командам получать информацию, чтобы они могли принимать более обоснованные решения. Примером использования является анализ и понимание обратной связи с клиентами на основе результатов опроса. Даже если мы обучаем описательной статистике с помощью некоторых библиотек Python, чтобы помочь операциям понимать свои данные, этого недостаточно. Статистические данные и пояснительные модели - это то, что им нужно для обобщения и получения надежных выводов.

2- Процесс

Мы глубоко думаем о критически важных бизнес-процессах. Как мы могли бы повысить их производительность с помощью машинного обучения. Если вы хотите автоматизировать контроль качества на предприятиях или предвидеть сбой оборудования, мы думаем о способах развертывания машинного обучения.

3- Продукты

Все чаще приходится задавать следующий вопрос:
Как мы можем встроить технологию искусственного интеллекта в новую услугу с новыми преимуществами?
Удаленная диагностика подключенных транспортных средств - один из примеров приложения, в котором нейронные сети обеспечивают более быструю и более индивидуальное обслуживание для клиента.

Стратегия создания ценности с помощью машинного обучения

Сегодня, вместо того, чтобы просто продавать продукт, OEM-производители должны рассматривать автомобили как потенциальную платформу для генерации данных и строить свои бизнес-стратегии на основе полученных данных.

Но цифровая трансформация с помощью искусственного интеллекта и машинного обучения должна в первую очередь сосредоточиться на обеспечении экономии за счет оптимизации процессов. Это будет необходимо для поддержки инвестиций в новые функции автомобилей и услуги мобильности.

После этого OEM-производители могут сосредоточиться на увеличении доли рынка, предлагая клиентам превосходное цифровое обслуживание. Сохраняя данные об автомобиле, автопроизводители могут анализировать, какие функции автомобиля используются правильно, а какие не используются клиентом. Итак, цель - адаптироваться к потребностям клиентов. Используя машинное обучение, мы можем создавать новые автомобильные характеристики и инвестировать в уникальные преимущества, которые повышают конкурентоспособность компании за счет лучшего соответствия продукта рынку.

С другой стороны, OEM-производители могут добиться увеличения доходов, более активно участвуя в развивающемся рынке мобильной связи. ML можно использовать для эффективного управления парком транспортных средств, находящихся в совместном пользовании, например для оптимизации мест посадки и высадки транспортных средств. Это также может помочь установить динамическое ценообразование, чтобы адаптировать цену к спросу на мобильные услуги, который еще не является стабильным.

Качество как ключевой фактор отличия

Заводы много инвестируют в людей и машины, которые полностью посвящены контролю качества на производственной линии.

Это очень интересная проблема, которую я решаю для производства. Традиционные системы машинного зрения работают быстро и надежно только тогда, когда анализируемая сцена структурирована. Но во многих случаях обнаружения аномалии невозможно заранее предсказать, как будет выглядеть дефект.

С другой стороны, люди могут оценить вариации в разных сценах, но не слишком много вариаций, и они довольно медленно выполняют эту задачу. Вот где глубокое обучение играет важную роль!

Алгоритмы глубокого обучения способны имитировать человеческий интеллект, учиться на всех вариациях данных, обнаруживать сложные закономерности и обеспечивать быструю автоматизацию.
Это идеальное сочетание гибкости, подобной человеческой, и скорости, надежности компьютеризированных систем.

Но проблема заключается в том, как извлечь уроки из небольших объемов данных, поскольку дефекты обычно редки. Существует множество последних методов машинного обучения, которые можно использовать и работать довольно хорошо, когда у вас есть только небольшое количество наблюдений на класс и вы хотите создать хороший классификатор. Мы называем это обучением по принципу «несколько выстрелов», и оно хорошо работает во многих производственных сценариях.

Влияние на процесс автомобильной безопасности

Для автопроизводителей безопасность - это всеобъемлющая концепция, которая является приоритетом для всей компании. Повышение безопасности клиентов начинается с улучшения конструкции автомобиля.

При тестировании и проверке нам необходимо оптимизировать планы тестирования с точки зрения времени и объема, иметь возможность запускать все большее и большее количество сценариев и обеспечивать более точные результаты проверки.

И последнее, но не менее важное: заводы могут улучшить контроль качества с помощью ИИ и обеспечить 100% проверку своей продукции.

Все это может быть обеспечено машинным обучением, которое помогает находить сложные закономерности, оптимизировать результаты и обеспечивать быструю автоматизацию.

Время вывода критически важно для этой отрасли

Это определенно та область, где вам нужно, чтобы многие из ваших систем работали в потоке в реальном времени. Говорим ли мы об автономном вождении, профилактическом обслуживании или визуальном осмотре, очевидно, что нет места, чтобы ждать принятия решения.

Для подрывных инноваций необходимы сильные исследования и научное видение. Это также то, что защищает вас при повторном использовании некоторых проектов ИИ с открытым исходным кодом и попытке адаптировать их для вашей компании.

Минимизация размера нейронных сетей помогает сократить время вывода, но обычно происходит за счет качества прогнозирования. При этом существует множество решений для ускорения прогнозирования.

Если вы хотите минимизировать время вывода на периферии, вы можете использовать ускорители, такие как Coral Edge TPU от Google, который представляет собой USB-ускоритель, на котором работает блок обработки тензора, или I ntel Movidius Neural Compute Stick, который имеет блок обработки изображений. как микропроцессор.

Все эти устройства работают с TensorFlow Lite, программным обеспечением, которое преобразует существующие модели TensorFlow в сжатый плоский буфер, который вы можете развернуть на мобильных и встроенных устройствах.

Остальные решения связаны с проектированием нейронных сетей. Если мы говорим о сверточных нейронных сетях для систем машинного зрения, специалисты по обработке данных, разрабатывающие свои алгоритмы с нуля, не должны забывать об основных идеях сверток 1 на 1 (Начало) или разделимых по глубине сверток (MobileNet) для сжатия своих моделей и экономии вычислений.

Метрики оценки

Это наиболее важный шаг, чтобы доказать заинтересованным сторонам надежность модели и уверенно двигаться вперед.

Существует набор показателей научной оценки, которые можно использовать для оценки алгоритмов машинного обучения. Каждый из них зависит от специфики проблемы. Но нет ничего важнее, чем выбор метрики оценки для вашего проекта, которая отражает прямую связь с влиянием на бизнес.

Если вы решили использовать одну метрику оценки, проверьте, нужно ли ее преобразовать в другую, которая представляет финансовые затраты или прибыль, когда вы измеряете ее на тестовых данных. Например, при работе с ложными предупреждениями выполните упражнение, чтобы рассчитать, сколько это будет стоить, и получить четкое представление об общем уравнении потерь и прибыли за счет внедрения машинного обучения. Это может быть очень мощным и убедительным при общении с бизнес-командами. Все проблемы уникальны, и мы должны оптимизировать напрямую, исходя из реальной ценности ИИ.

Наконец, ML - это не волшебная палочка

Важно знать не только преимущества применения машинного обучения в вашей деятельности, но и его пределы. Меня однажды спросили, какие из сегодняшних автомобильных проблем ML не готов решить. И, честно говоря, их много. Я сразу мог придумать множество идей, которые, несмотря на то, что они были вынесены на стол, никогда не чувствовал себя комфортно, обсуждая их дальше. Примером деятельности, которая может быть сложной для ML, является дизайн и стиль новых автомобилей. Машинное обучение, особенно глубокое обучение, совсем недавно успешно создавало художественные образы с помощью того, что мы называем передачей нейронного стиля. Но я сомневаюсь, что это сработает для создания новых стилей, которые могут вызвать эмоции у покупателя и не будут противоречить аэродинамике и визуальному оформлению автомобиля. Достичь этого будет очень сложно, и многие другие проблемы имеют более высокий приоритет. Чтобы все это сказать, важно знать, где вы проводите время.