Сократите затраты и время простоя, прогнозируя ошибки, используя существующие данные с помощью DASL

Автор:Эндрю Зильберфарб, старший специалист по вычислительной технике, Лаборатория искусственного интеллекта в SRI International.

Машинное обучение зависит от огромных объемов данных, чтобы делать выводы. Однако иногда объем данных, необходимый алгоритмам машинного обучения, просто недоступен. SRI International разработала систему под названием Глубокая адаптивная семантическая логика (DASL), которая использует адаптивные семантические рассуждения для заполнения пробелов в данных. DASL объединяет моделирование на основе данных снизу вверх с теоретическими рассуждениями сверху вниз в симбиотическом союзе инновационного машинного обучения и выводов, основанных на знаниях. Система объединяет экспертов и данные для принятия более взвешенных решений.

Что особенного в DASL?

Глубокая адаптивная семантическая логика (DASL) выходит за рамки машинного обучения для оптимизации производства. DASL опирается на человеческие знания и ограниченные примеры данных, чтобы обнаруживать редкие события и передавать то, что он находит, таким образом, чтобы это было понятно операторам и специалистам по сопровождению. Затем операторы могут использовать эти интеллектуальные утверждения для принятия более эффективных решений при обслуживании и улучшении производственных систем и процессов.

Но почему DASL такой уникальный? В отличие от стандартных систем машинного обучения, которые делают выводы только на основе структурированных, тщательно отобранных данных, DASL — это интеллектуальная система нового поколения, которая учится на неструктурированных данных реального мира. Он объединяет эти данные с человеческими знаниями для построения контекстуальных моделей и оснований на этих моделях для объяснения решений. Эндрю Зильберфарб, старший научный сотрудник SRI, описывает DASL как «находящуюся на перекрестке между статистическим обучением, таким как стандартное глубокое обучение и машинное обучение, и традиционными экспертными системами, основанными на понятных человеку правилах». >

Как работает DASL, чтобы сосредоточиться на задаче

DASL обучается с использованием эвристических правил, которые затем компилируются в систему DASL. Затем DASL заполняет пробелы, создавая и обучая низкоуровневые нейронные сети. Например, DASL можно научить распознавать структуру самолета. «Обучение обычно включает в себя обучение DASL распознаванию крыльев, фюзеляжа и т. д., а затем объединение этих отдельных обнаружений с помощью эвристических правил. Варианты обучения разнообразны и могут включать любую комбинацию геометрических подсказок, логических следствий, прямых аннотаций и дистанционного наблюдения. Потребности в данных DASL минимальны и сфокусированы, поскольку он может обмениваться информацией, полученной в одном контексте, для повышения общей производительности за счет использования структуры в рамках правил.

DASL хорошо подходит для выявления проблем в производственном конвейере и для прогнозирования потребностей в обслуживании. Актуальные и понятные аналитические данные, генерируемые DASL, могут помочь предотвратить серьезные сбои, такие как остановка производственного процесса. DASL отправляет прогнозируемую производительность и информацию о статусе экспертному персоналу, позволяя пользователям лучше распределять свое время и сосредоточиться на наиболее важных проблемах, чтобы избежать сбоев. DASL был разработан для создания понятного человеку вывода, например:«Предполагается, что сбой произойдет в … системе примерно через 30 минут, потому что:…» Этот вывод может быть в форме предупреждений, текстовых отчеты или структурированные отчеты. DASL сотрудничает с техническими специалистами и инженерами, чтобы быстро выявлять проблемы и координировать наиболее эффективные меры реагирования. В конечном счете, DASL может значительно сэкономить время и ресурсы на техническое обслуживание, одновременно увеличивая время безотказной работы.

Зачем использовать DASL, а не только машинное обучение?

Модели чистого машинного обучения (ML) имеют определенные ограничения:

  • ML требует много данных для обучения базового алгоритма, но часто критические события происходят редко и производят ограниченный объем данных.
  • ML не всегда подходит для решения нюансов бизнес-задач, являясь методом «черного ящика», которым нельзя руководствоваться или понять
  • Эксперты по машинному обучению, которых может не быть, необходимы для обновления модели машинного обучения по мере изменения условий.

DASL специально предназначен для работы в ситуациях, когда объем данных, необходимых для машинного обучения, просто недоступен. В этих случаях DASL объединяет человеческие знания и примеры данных для принятия решений и создания понятных человеку отчетов и предупреждений. Более низкие требования к данным и понятность DASL позволяют использовать более широкий спектр приложений, чем другие системы машинного обучения. DASL также позволяет производителям использовать существующие процессы и методы обслуживания, которые доказали свою эффективность, добавляя машинное обучение таким образом, чтобы улучшить, а не заменить существующую практику. DASL представляет собой эволюционный шаг от машинного обучения и систем, основанных на правилах, объединяющий лучшее из обоих.

Иногда большие данные недоступны для всех возможных режимов отказа, но производство по-прежнему нуждается в интеллектуальном взаимодействии для оптимизации условий и процессов. DASL дает возможность использовать знания нескольких компаний, сборочных линий и доменов. Уменьшение потребности в больших наборах данных означает, что даже при редком количестве данных DASL демонстрирует значительный средний прирост производительности. В конкурентном мире производства DASL может привести к значительной экономии средств и лучшему планированию ресурсов.

Подробнее для подробного ознакомления с технологией DASL.

Первоначально опубликовано на https://automationalley.com.