Разработка проектов промышленного машинного обучения:3 распространенные ошибки, которых следует избегать

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 передаем данные и результаты на компьютер 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 охват 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. Забывая основы

Такие концепции, как Индустрия 4.0, цифровизация, искусственный интеллект, машинное обучение и IIoT, в настоящее время являются главными тенденциями в промышленном 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 вопрос в том, подходит ли этот инструмент (машинное обучение или любой другой) для решения вашей проблемы? Вы должны задать себе несколько вопросов, прежде чем выбрать любой из этих «современных» инструментов. Я перечислил некоторые здесь, хотя есть и много других:

• Испробовал ли я более простой алгоритм для решения этой проблемы (например, логику ПЛК)?
• Приводит ли хорошо синтезированный нормативный контроль к аналогичным или лучшим результатам контроля?
• Есть ли у нас подходящая, хорошо обученная команда, которая поддерживает работу этих новых приложений?
• Дает ли другой набор инструментов контроля качества (например, диаграммы Парето или причинно-следственные диаграммы) достаточно данных для получения достоверной информации?

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 это должно 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 надежных данных. Особенно в промышленности получение этих данных может быть сложной задачей. Неполный список потенциальных проблем показан ниже:

• Отсутствие инструментария (отсутствующие данные)
• Менее точные данные из-за неправильной установки, обслуживания или настройки приборов.
• Неправильные метки данных из-за неправильных представлений в анализе – контролируемые учебные задачи.

Даже с этими проблемами при правильной подготовке данных (иногда с промышленным соответствием) можно создать достаточно надежную 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 игнорирование — не лучший способ 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. советники (профессионалы, знающие реальность процесса и реальные проблемы, которые необходимо решить). Эта междисциплинарная команда катализирует хорошие результаты. Вероятно, вы получите более точные решения и с большей вероятностью сможете реализовать их в реальном мире.

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 машинного обучения — это не короткий путь, а долгий путь. . Как и любое путешествие, это состоит из отдельных шагов, и последний шаг так же важен, как и первый.