Učení bez učitele (průmyslové)
- Učení bez učitele se trénuje na neoznačených datech: učí se, jak vypadá normální výroba, místo aby se učilo z označených příkladů poruch.
- Do továren se hodí, protože poruchy jsou vzácné a označování drahé: většina linek má roky 'normálu' a jen hrstku zdokumentovaných špatných běhů.
- Jeho klíčovou aplikací je hledání kořenových příčin: odhalování interakcí proměnných, které žádný inženýr neměl důvod sledovat.
- Cenou je disciplína vysvětlování: dobrá platforma musí ukázat, které proměnné vyvolaly každé upozornění, jinak ji inženýři budou ignorovat.
Učení bez učitele je strojové učení bez označených odpovědí. Místo toho, aby model viděl tisíc příkladů „tento běh byl zmetek, tento byl dobrý“, načte surovou historii linky a naučí se její strukturu: které proměnné se pohybují společně, jak vypadá normální obálka každého výrobku, jak ji mění směny a roční období. Odchylky od této naučené struktury jsou anomálie, a proměnné, které vzorec porušily, jsou kandidáty na kořenové příčiny.
Proč jsou továrny přirozeným prostředím
Učení s učitelem potřebuje označení a továrních označení je málo a jsou nevyvážená: linka, která vyřadí 2 % produkce, vám dá 50× více příkladů „dobrých“ než „špatných“ a špatné příklady málokdy nesou zdokumentovanou příčinu. Metody bez učitele problém obcházejí: normální výroba, které má každý závod dostatek, je trénovací sadou. Proto jsou nejrychleji nasaditelné platformy současné generace v jádru bez učitele: než přijde přínos, nemusí se nic označovat.
Kořenové příčiny, které nikdo nesledoval
Prahové monitorování hlídá jen proměnné, které se někdo rozhodl hlídat. Modely bez učitele sledují vše, co dostanou (stovky proměnných najednou (přes 700 v současných platformách)) takže běžně přisuzují špičku zmetků interakci: šarže suroviny se potká s opotřebeným nástrojem a driftem zóny o 2 °C, přičemž nic z toho nepřekročilo jednotlivou mez alarmu. Výsledky hlášené dodavateli při tomto přístupu dosahují −58 % zmetků a −20 % energie na optimalizovaných linkách.
Co požadovat při hodnocení
Užitečná nasazení od generátorů šumu oddělují dvě věci: atribuce (každá anomálie musí přijít se seřazenými přispívajícími proměnnými) a znalost režimů (model musí odlišit přestavbu výrobku od driftu procesu). Požádejte dodavatele, aby obojí předvedli na vašich datech, ne na ukázkové sadě.
Časté dotazy
- Jaký je rozdíl mezi učením s učitelem a bez učitele v závodě?
- Modely s učitelem se učí z označených příkladů (tyto běhy byly zmetky) a předpovídají toto označení; modely bez učitele se učí strukturu normálního provozu a hlásí odchylky. Závody používají modely s učitelem tam, kde je označení dostatek (vizuální kontrola), a modely bez učitele pro detekci anomálií a hledání kořenových příčin.
- Potřebuje učení bez učitele datového vědce?
- Současná generace platforem je postavena tak, aby nepotřebovalo: modely se samy trénují na historii linky a výstrahy přicházejí s připojenými přispívajícími proměnnými, takže procesní inženýři jednají přímo. Tato provozovatelnost je klíčovým nákupním kritériem, ne příjemným bonusem.
Každé číslo z tohoto webu: v jedné tabulce se zdroji.
Výpočet trhu 43,6 mld. USD, podíly případů užití, bariéry zavádění a publikované výsledky nasazení, s nedotčeným sloupcem zdrojů. Připravené k vložení přímo do vašeho business case.