Избегание подводных камней в промышленных ML-проектах: 3 ключевые ошибки, которых стоит избегать

Использование техник искусственного интеллекта, и более конкретно машинного обучения, все больше рассматривается как революционный инструмент. Но что такое машинное обучение?

Интересное описание было предложено Франсуа Шолле. В своей книге «Глубокое обучение с Python» он определяет машинное обучение (ML) как новую вычислительную парадигму. В конвенциональных вычислениях мы предоставляем компьютеру правила и данные, и ожидаем правильных результатов. Используя машинное обучение, этот порядок меняется. Мы предоставляем данные и результаты компьютеру, и ожидаем правил в качестве ответа.

Эта новая вычислительная парадигма значительно меняет наш способ решения повседневных проблем и открывает большой диапазон возможностей во всех областях изучения. В последние несколько лет машинное обучение широко использовалось, включая в промышленном секторе. Несмотря на эту широкую область и наличие многих великих профессионалов, работающих в этой сфере, некоторые общие ошибки были замечены (и должны быть избегнуты) в разработке промышленных проектов. Хотя есть много других, эта статья направлена на обсуждение трех из этих возможных ошибок.

1. Забывание основ

Концепции вроде Индустрии 4.0, оцифровки, искусственного интеллекта, машинного обучения и IIoT — топ-тренды в промышленном мире сейчас. Проекты с таким подходом часто получают особое внимание в портфолио профессионала, и некоторые профессионалы склонны выбирать такой вид решения во время проектирования проекта для улучшения шансов на одобрение их проекта. Но вопрос в том: является ли этот инструмент (машинное обучение или любой другой) правильным для решения вашей проблемы? Вам нужно задать себе несколько вопросов перед выбором любого из этих «современных» инструментов. Я перечислил несколько здесь, хотя есть много других:

• Пробовал ли я более простой алгоритм для решения этой проблемы (как логика ПЛК)?
• Приводит ли хорошо настроенное регуляторное управление к похожим или лучшим результатам управления?
• Есть ли у нас подходящая, хорошо обученная команда для поддержания работы этих новых приложений?
• Даст ли другой набор инструментов качества (таких как диаграммы Парето или диаграммы причинно-следственных связей) достаточно данных для получения хороших инсайтов?

Обратите внимание, что я не говорю, что инструменты вроде машинного обучения не могут давать отличные результаты или что эти инструменты слишком сложны. Важно держать в уме, однако, что простые решения часто дают хорошие результаты и обычно должны быть первым шагом в пути Индустрии 4.0.

2. Неудельное внимание к качеству данных

Инструменты машинного обучения для обработки данных теперь широко распространены. Большие компании вроде Google и многие группы с открытым исходным кодом разработали отличные ML-библиотеки. Эти библиотеки доступны в интернете, некоторые из них по низкой или нулевой стоимости. Когда мы смотрим на большую картину, однако, любой машинное обучение проект включает четыре основные фазы:

• Понимание и подготовка данных
• Обработка этих данных
• Анализ результатов
• Мудрое действие на основе анализа данных

Тем не менее, когда мы смотрим на весь процесс разработки машинных обучения проектов, не редкость для некоторых профессионалов идти прямо к средним стадиям (обработка данных и анализ результатов) без достаточного внимания к сбору и подготовке данных.

Основа любого машинного обучения проекта — это данные. Как в кулинарии, где отправной точкой любого хорошего блюда является использование хороших ингредиентов, существенный фактор при разработке хорошего ML-проекта — получение и использование хороших данных. Особенно в промышленности, получение этих данных может быть сложной задачей. Неистощительный список потенциальных вызовов показан ниже:

• Нехватка приборостроения (пропущенные данные)
• Менее точные данные из-за неправильной установки, обслуживания или конфигурации приборостроения
• Неправильные метки данных из-за заблуждений в анализе — задачи с учителем (supervised learning)

Даже с этими вызовами, с правильной подготовкой данных (иногда с промышленной адекватацией), возможно построить достаточно сильную базу данных для получения отличных результатов.

Так что уделите время этой важной задаче!

3. Игнорирование знаний экспертов

Это может быть спорным аргументом. Некоторые профессионалы могут сказать, что если вы хотите экспертное мнение, вы должны выбрать экспертную систему с нечеткой логикой, например. В противоположной точке зрения, когда мы исследуем огромное количество знаний, которыми обладают наши компании, просто игнорирование его не звучит как лучший способ эволюционировать наши процессы.

Когда мы внедряем ML-проекты, лучший способ — получить междисциплинарную команду, объединяющую ML-разработчиков (людей, знающих ML-техники — глубокое обучение, обработку естественного языка, ансамблевые методы, кластеризацию и так далее) с правильными экспертными советчиками (профессионалами, знающими реальность процесса и реальные проблемы, подлежащие решению). С этой междисциплинарной командой хорошие результаты катализируются. Вы, вероятно, получите более точные решения, с более высокой вероятностью, что вы сможете реализовать их в реальном мире.

Движение дальше

Несмотря на большие вызовы и предостерегающие истории, которые существуют, машинное обучение все больше показывает себя как мощный инструмент. ML, и дюжины других инструментов, нацеленных на модернизацию и эволюционирование промышленного мира, являются трендом и естественным (и необходимым) эволюционным процессом. Однако — особенно в критических процессах в промышленности, медицине и других сферах — осторожность должна быть принята. Так что не пропускайте шаги: держите свой проект максимально простым, хорошо заботьтесь о своих данных и не забывайте экспертов.

Как мы видим, проект машинного обучения не короткий бег, а долгий путь. Как любой путь, этот сделан из отдельных шагов, и последний шаг имеет такую же важность, как первый.