Entwicklung industrieller maschineller Lernprojekte:3 häufige Fehler, die es zu vermeiden gilt

Der Einsatz von Techniken der künstlichen Intelligenz und insbesondere des maschinellen Lernens wird zunehmend als revolutionäres Werkzeug angesehen. Aber was ist maschinelles Lernen?

Eine interessante Beschreibung wurde von Francois Chollet vorgeschlagen. In seinem Buch „Deep Learning with Python“ definiert er maschinelles Lernen (ML) als neues Rechenparadigma. Beim konventionellen Rechnen liefern wir dem Computer die Regeln und Daten und erwarten korrekte Ergebnisse. Mithilfe von maschinellem Lernen wird diese Reihenfolge geändert. Wir liefern die Daten und Ergebnisse an den Computer und erwarten die Regeln als Antwort.

Dieses neue Computerparadigma verändert unsere Art, alltägliche Probleme zu lösen, erheblich und eröffnet eine Vielzahl von Möglichkeiten in allen Studienbereichen. Maschinelles Lernen hat in den letzten Jahren eine breite Anwendung gefunden, auch in der Industrie. Trotz dieses breiten Spektrums und der Tatsache, dass viele großartige Fachleute auf diesem Gebiet arbeiten, gibt es einige häufige Fehler wurden in der industriellen Projektentwicklung beobachtet (und sollten vermieden werden). Obwohl es viele andere gibt, zielt dieser Artikel darauf ab, drei dieser möglichen Fehler zu diskutieren.

1. Die Grundlagen vergessen

Konzepte wie Industrie 4.0, Digitalisierung, künstliche Intelligenz, maschinelles Lernen und IIoT sind heutzutage die Top-Trends in der industriellen Welt. Projekte mit dieser Art von Ansatz erhalten häufig besondere Aufmerksamkeit im Portfolio eines Fachmanns, und einige Fachleute neigen dazu, diese Art von Lösung während eines Projektentwurfs zu wählen, um die Chancen zu verbessern, dass ihr Projekt genehmigt wird. Aber der Punkt ist:Ist dieses Tool (maschinelles Lernen oder ein anderes) das richtige, um Ihr Problem zu lösen? Sie müssen sich einige Fragen stellen, bevor Sie sich für eines dieser "modernen" Tools entscheiden. Ich habe hier einige aufgelistet, obwohl es noch viele andere gibt:

• Habe ich einen einfacheren Algorithmus ausprobiert, um dieses Problem zu lösen (wie SPS-Logik)?
• Führt eine gut synchronisierte regulatorische Kontrolle zu ähnlichen oder besseren Kontrollergebnissen?
• Verfügen wir über ein geeignetes, gut ausgebildetes Team, um diese neuen Anwendungen am Laufen zu halten?
• Würden andere Qualitätswerkzeuge (wie Pareto-Diagramme oder Ursache-Wirkungs-Diagramme) genügend Daten liefern, um gute Einblicke zu erhalten?

Beachten Sie, dass ich nicht sage, dass Tools wie maschinelles Lernen keine großartigen Ergebnisse liefern können oder dass diese Tools zu komplex sind. Es ist jedoch wichtig zu bedenken, dass einfache Lösungen häufig gute Ergebnisse liefern und sollte normalerweise der erste Schritt auf dem Weg zu Industrie 4.0 sein.

2. Nicht auf Datenqualität achten

Machine-Learning-Tools zur Verarbeitung von Daten sind mittlerweile weit verbreitet. Große Unternehmen wie Google und viele Open-Source-Gruppen haben großartige ML-Bibliotheken entwickelt. Diese Bibliotheken sind im Internet verfügbar, einige davon zu geringen oder kostenlosen Kosten. Wenn wir jedoch das Gesamtbild betrachten, umfasst jedes maschinelle Lernprojekt vier Hauptphasen :

• Daten verstehen und aufbereiten
• Verarbeitung dieser Daten
• Ergebnisse analysieren
• Kluges Handeln basierend auf Datenanalyse

Wenn wir uns jedoch den gesamten Prozess der Entwicklung von Projekten für maschinelles Lernen ansehen, ist es nicht ungewöhnlich, dass einige Fachleute direkt in die mittlere Phase (Verarbeitung von Daten und Analyse der Ergebnisse) übergehen, ohne der Datenerfassung und -vorbereitung genügend Aufmerksamkeit zu schenken. P>

Die Grundlage jedes maschinellen Lernprojekts sind Daten. Wie beim Kochen, wo der Ausgangspunkt jedes guten Gerichts die Verwendung guter Zutaten ist, ist es ein wesentlicher Faktor bei der Entwicklung eines guten ML-Projekts, gute Daten zu erhalten und zu verwenden. Besonders in der Industrie kann die Beschaffung dieser Daten eine herausfordernde Aufgabe sein. Nachfolgend finden Sie eine nicht erschöpfende Liste potenzieller Herausforderungen:

• Fehlende Instrumentierung (fehlende Daten)
• Weniger genaue Daten aufgrund unsachgemäßer Installation, Wartung oder Konfiguration der Instrumente
• Falsche Datenlabels aufgrund von Missverständnissen bei der Analyse – überwachte Lernaufgaben

Selbst bei diesen Herausforderungen ist es bei korrekter Aufbereitung der Daten (manchmal mit industrieller Eignung) möglich, eine ausreichend starke Datenbank aufzubauen, um hervorragende Ergebnisse zu erzielen.

Nehmen Sie sich also Zeit für diese wichtige Aufgabe!

3. Expertenwissen ignorieren

Dies mag ein umstrittenes Argument sein. Einige Fachleute sagen vielleicht, dass Sie sich für ein Expertensystem entscheiden sollten, das beispielsweise Fuzzy-Logik verwendet, wenn Sie eine Expertenmeinung wünschen. Im Gegensatz dazu, wenn wir das große Wissen unserer Unternehmen untersuchen , es einfach zu ignorieren, klingt nicht nach dem besten Weg, unsere Prozesse weiterzuentwickeln.

Wenn wir ML-Projekte implementieren, besteht der beste Weg darin, ein multidisziplinäres Team zusammenzustellen, das die ML-Entwickler (Personen, die sich mit ML-Techniken auskennen, z. B. Deep Learning, Verarbeitung natürlicher Sprache, Ensemble-Methoden, Clustering usw.) mit dem richtigen Experten kombiniert Berater (Experten, die die Prozessrealität und die wirklich zu lösenden Probleme kennen). Mit diesem multidisziplinären Team werden gute Ergebnisse katalysiert. Sie erhalten wahrscheinlich genauere Lösungen mit einer höheren Wahrscheinlichkeit, dass Sie sie in der realen Welt implementieren können.

Weitergehen

Trotz der großen Herausforderungen und Warnungen, die es gibt, zeigt sich maschinelles Lernen zunehmend als mächtiges Werkzeug. ML und Dutzende anderer Tools zur Modernisierung und Weiterentwicklung der industriellen Welt sind ein Trend und ein natürlicher (und notwendiger) Evolutionsprozess. Allerdings ist – insbesondere bei kritischen Prozessen in Industrie, Medizin und anderen Bereichen – Vorsicht geboten. Überspringen Sie also keine Schritte:Halten Sie Ihr Projekt so einfach wie möglich, kümmern Sie sich gut um Ihre Daten und vergessen Sie die Experten nicht.

Wie wir sehen können, ist ein maschinelles Lernprojekt keine kurze Laufzeit, sondern eine lange Reise . Wie jede Reise besteht auch diese aus einzelnen Schritten, und der letzte Schritt hat die gleiche Bedeutung wie der erste.