Industriële machine learning-projecten ontwikkelen:3 veelvoorkomende fouten die u moet vermijden

Het gebruik van kunstmatige-intelligentietechnieken, en meer specifiek machine learning, wordt steeds meer gezien als een revolutionair hulpmiddel. Maar wat is machine learning?

Een interessante beschrijving werd voorgesteld door Francois Chollet. In zijn boek 'Deep Learning with Python' definieert hij machine learning (ML) als een nieuw computationeel paradigma. Bij conventioneel computergebruik leveren we de computer de regels en de gegevens, en we verwachten correcte resultaten. Met behulp van machine learning wordt deze volgorde gewijzigd. Wij leveren de gegevens en de resultaten aan de computer, en verwachten de regels als antwoord.

Dit nieuwe computationele paradigma verandert onze manier om alledaagse problemen op te lossen aanzienlijk en opent een groot aantal mogelijkheden in alle vakgebieden. Machine learning wordt de afgelopen jaren veel toegepast, ook in de industriële sector. Ondanks deze brede reikwijdte en het feit dat er veel geweldige professionals op dit gebied werken, zijn er een aantal veelgemaakte fouten zijn waargenomen (en moeten worden vermeden) bij de ontwikkeling van industriële projecten. Hoewel er nog veel meer zijn, wil dit artikel drie van deze mogelijke fouten bespreken.

1. De basis vergeten

Begrippen als Industrie 4.0, digitalisering, kunstmatige intelligentie, machine learning en IIoT zijn tegenwoordig de belangrijkste trends in de industriële wereld. Projecten met een dergelijke aanpak krijgen vaak speciale aandacht in het portfolio van een professional, en sommige professionals hebben de neiging om voor dit soort oplossingen te kiezen tijdens het ontwerpen van een project om de kans op goedkeuring van hun project te vergroten. Maar het punt is:is deze tool (machine learning of een andere) de juiste om je probleem op te lossen? U moet uzelf enkele vragen stellen voordat u een van deze "moderne" tools kiest. Ik heb er hier een paar opgesomd, maar er zijn er nog veel meer:

• Heb ik een eenvoudiger algoritme geprobeerd om dit probleem op te lossen (zoals PLC-logica)?
• Leidt een goed gesyntoniseerde regelgevende controle tot vergelijkbare of betere controleresultaten?
• Hebben we een geschikt, goed opgeleid team om deze nieuwe applicaties werkend te houden?
• Zou een andere set kwaliteitstools (zoals pareto-diagrammen of oorzaak-en-gevolgdiagrammen) voldoende gegevens opleveren om goede inzichten te krijgen?

Merk op dat ik niet zeg dat tools zoals machine learning geen geweldige resultaten kunnen opleveren, of dat deze tools te complex zijn. Het is echter belangrijk om te onthouden dat eenvoudige oplossingen vaak goede resultaten opleveren en zou normaal gesproken de eerste stap moeten zijn voor een Industrie 4.0-reis.

2. Geen aandacht besteden aan gegevenskwaliteit

Machine learning-tools voor het verwerken van gegevens zijn nu wijdverbreid. Grote bedrijven zoals Google en veel open source-groepen hebben geweldige ML-bibliotheken ontwikkeld. Deze bibliotheken zijn beschikbaar op internet, sommige tegen lage of geen kosten. Als we echter naar het grote geheel kijken, omvat elk machine learning-project vier hoofdfasen :

• Gegevens begrijpen en voorbereiden
• Deze gegevens verwerken
• Resultaten analyseren
• Wijs handelen op basis van gegevensanalyse

Dat gezegd hebbende, als we kijken naar het hele proces van het ontwikkelen van machine learning-projecten, is het niet ongebruikelijk dat sommige professionals rechtstreeks naar de middelste fasen gaan (gegevens verwerken en resultaten analyseren) zonder voldoende aandacht te besteden aan het verzamelen en voorbereiden van gegevens.

De basis van elk machine learning-project zijn gegevens. Net als bij koken, waar het uitgangspunt van elk goed gerecht het gebruik van goede ingrediënten is, is het verkrijgen en gebruiken van goede gegevens een essentiële factor bij het ontwikkelen van een goed ML-project. Vooral in de industrie kan het verkrijgen van deze gegevens een uitdagende taak zijn. Hieronder vindt u een niet-limitatieve lijst van mogelijke uitdagingen:

• Gebrek aan instrumentatie (ontbrekende gegevens)
• Minder nauwkeurige gegevens als gevolg van onjuiste installatie, onderhoud of configuratie van instrumentatie
• Onjuiste gegevenslabels als gevolg van misvattingen in analyse - begeleide leertaken

Zelfs met deze uitdagingen, met een juiste voorbereiding van de gegevens (soms met industriële geschiktheid), is het mogelijk om een ​​database op te bouwen die sterk genoeg is om geweldige resultaten te verkrijgen.

Neem dus de tijd voor deze belangrijke taak!

3. Kennis van experts negeren

Dit kan een controversieel argument zijn. Sommige professionals zeggen misschien dat als je een deskundig oordeel wilt, je moet kiezen voor een expertsysteem met bijvoorbeeld fuzzy logic. In een tegengesteld standpunt, wanneer we de grote hoeveelheid kennis onderzoeken die onze bedrijven bezitten , gewoon negeren klinkt niet de beste manier om onze processen te ontwikkelen.

Wanneer we ML-projecten implementeren, is de beste manier om een ​​multidisciplinair team te krijgen dat de ML-ontwikkelaars (mensen die kennis hebben van ML-technieken, d.w.z. deep learning, natuurlijke taalverwerking, ensemble-methoden, clustering, enzovoort) combineert met de juiste expert adviseurs (professionals die de procesrealiteit en de echte op te lossen problemen kennen). Met dit multidisciplinaire team worden goede resultaten gekatalyseerd. U krijgt waarschijnlijk nauwkeurigere oplossingen, met een grotere kans dat u ze in de echte wereld kunt implementeren.

Verder gaan

Ondanks de grote uitdagingen en waarschuwende verhalen die er zijn, toont machine learning zich steeds meer als een krachtig hulpmiddel. ML, en de tientallen andere tools die gericht zijn op het moderniseren en evolueren van de industriële wereld, zijn een trend en een natuurlijk (en noodzakelijk) evolutieproces. Maar - vooral bij kritieke processen in industriële, medische en andere gebieden - moet voorzichtigheid worden betracht. Sla dus geen stappen over:houd uw project zo eenvoudig mogelijk, zorg goed voor uw data en vergeet de experts niet.

Zoals we kunnen zien, is een machine learning-project geen korte termijn, maar een lange reis . Zoals elke reis, bestaat deze uit enkele stappen, en de laatste stap is even belangrijk als de eerste.