Valkuilen in industriële ML-projecten vermijden: 3 cruciale fouten om over te slaan

Het gebruik van kunstmatige intelligentie-technieken, en meer specifiek machine learning, wordt steeds vaker gezien als een revolutionair instrument. Maar wat is machine learning eigenlijk?

Een interessante beschrijving werd voorgesteld door François Chollet. In zijn boek Deep Learning with Python definieert hij machine learning (ML) als een nieuw computationeel paradigma. In de conventionele computing geven we de computer de regels en de data, en verwachten we correcte resultaten. Bij machine learning wordt deze volgorde omgekeerd: we geven de data en de resultaten aan de computer, en verwachten de regels als antwoord.

Dit nieuwe computationele paradigma verandert ons manier van probleemoplossen fundamenteel en opent een breed scala aan mogelijkheden in alle studievakgebieden. In de afgelopen jaren is machine learning breed toegepast, ook in de industriële sector. Ondanks deze brede toepassing en de vele geweldige professionals die in dit veld werken, worden enkele veelvoorkomende fouten waargenomen (en zouden vermeden moeten worden) bij de ontwikkeling van industriële projecten. Hoewel er nog veel meer zijn, bespreekt dit artikel drie van deze mogelijke fouten.

1. De basis vergeten

Concepten als Industrie 4.0, digitalisering, kunstmatige intelligentie, machine learning en IIoT zijn momenteel de topprioriteiten in de industriële wereld. Projecten met deze aanpak krijgen vaak speciale aandacht in het portfolio van een professional, en sommigen kiezen bewust voor deze oplossingen tijdens het ontwerp om de kans op goedkeuring te vergroten. Maar de kernvraag is: is dit instrument (machine learning of een ander) de juiste om uw probleem op te lossen? U moet zichzelf een paar vragen stellen voordat u kiest voor een van deze 'moderne' tools. Hier zijn er een paar, hoewel er nog veel meer zijn:

• Heb ik al een eenvoudiger algoritme geprobeerd om dit probleem op te lossen (zoals PLC-logica)?
• Levert een goed afgestelde regeltechniek vergelijkbare of betere resultaten?
• Beschikken we over een geschikt, goed getraind team om deze nieuwe applicaties draaiende te houden?
• Zou een andere set kwaliteitstools (zoals Pareto-grafieken of ishikawa-diagrammen) voldoende data leveren voor goede inzichten?

Let op: ik zeg niet dat tools als machine learning geen geweldige resultaten kunnen leveren, of dat ze te complex zijn. Het is wel belangrijk om te onthouden dat eenvoudige oplossingen vaak goede resultaten opleveren en normaal gesproken de eerste stap moeten zijn op een Industrie 4.0-reis.

2. Onvoldoende aandacht voor datakwaliteit

Machine learning-tools voor dataverwerking zijn nu wijdverspreid. Grote bedrijven als Google en veel open-source groepen hebben uitstekende ML-bibliotheken ontwikkeld. Deze bibliotheken zijn online beschikbaar, vaak tegen lage of geen kosten. Als we naar het grote plaatje kijken, omvat elk machine learning-project echter vier grote fasen:

• Data begrijpen en voorbereiden
• Deze data verwerken
• Resultaten analyseren
• Wijs handelen op basis van data-analyse

Toch is het bij de ontwikkeling van machine learning-projecten niet ongebruikelijk dat professionals direct naar de middenfasen gaan (data verwerken en resultaten analyseren) zonder voldoende aandacht te besteden aan dataverzameling en -voorbereiding.

De basis van elk machine learning-project is data. Net als bij koken, waar het uitgangspunt van elk goed gerecht is om goede ingrediënten te gebruiken, is een essentiële factor bij het ontwikkelen van een goed ML-project het verkrijgen en gebruiken van goede data. Vooral in de industrie kan het verkrijgen van deze data een uitdaging zijn. Een niet-uitputtende lijst met potentiële uitdagingen:

• Gebrek aan instrumentatie (ontbrekende data)
• Minder accurate data door onjuiste installatie, onderhoud of configuratie van instrumentatie
• Verkeerde datalabels door misconcepties in analyse – taken met supervised learning

Ondanks deze uitdagingen is het met een correcte datavoorbereiding (soms met industriële aanpassingen) mogelijk om een voldoende sterke database op te bouwen voor geweldige resultaten.

Neem u dus de tijd voor deze belangrijke taak!

3. Deskundigenkennis negeren

Dit kan een controversieel argument zijn. Sommige professionals zouden zeggen dat als u een deskundigenmening wilt, u zou moeten kiezen voor een expertsysteem met fuzzy logic, bijvoorbeeld. Aan de andere kant, als we kijken naar de enorme hoeveelheid kennis die onze bedrijven bezitten, klinkt het negeren ervan niet als de beste manier om onze processen te verbeteren.

Bij de implementatie van ML-projecten is de beste aanpak een multidisciplinair team dat ML-ontwikkelaars (mensen met kennis van ML-technieken – deep learning, natural language processing, ensemble methods, clustering, enz.) combineert met de juiste deskundige adviseurs (professionals die de procesrealiteit en de echte op te lossen problemen kennen). Met dit multidisciplinaire team worden goede gecatalyseerd. U zult waarschijnlijk nauwkeurigere oplossingen krijgen, met een grotere kans dat u ze in de praktijk kunt implementeren.

Een stap verder

Ondanks de grote uitdagingen en waarschuwende verhalen, bewijst machine learning zich steeds meer als een krachtig instrument. ML, en de tientallen andere tools gericht op het moderniseren en evolueren van de industriële wereld, zijn een trend en een natuurlijke (en noodzakelijke) evolutionaire stap. Echter – vooral in kritische processen in de industrie, de medische sector en andere velden – is voorzichtigheid geboden. Sla dus geen stappen over: houd uw project zo simpel mogelijk, zorg goed voor uw data en vergeet de experts niet.

Zoals we zien, is een machine learning-project geen korte sprint, maar een lange reis. Net als elke reis bestaat deze uit afzonderlijke stappen, en de laatste stap is net zo belangrijk als de eerste.