Felügyelet nélküli tanulás (ipari)
- A felügyelet nélküli tanulás címkézetlen adatokon tanul: azt tanulja meg, hogyan néz ki a normál termelés, ahelyett hogy felcímkézett hibapéldákból tanulna.
- Azért illik a gyárakhoz, mert a meghibásodás ritka, a címkézés drága: a legtöbb sornak évnyi 'normál' adata van, és csak maroknyi dokumentált rossz gyártási futása.
- Legütősebb alkalmazása a gyökérok-feltárás: olyan változó-kölcsönhatások felszínre hozása, amelyek figyelésére egyetlen mérnöknek sem volt oka.
- Az ára a magyarázati fegyelem: egy jó platformnak meg kell mutatnia, mely változók váltották ki az egyes jelzéseket, különben a mérnökök figyelmen kívül hagyják.
A felügyelet nélküli tanulás címkézett válaszok nélküli gépi tanulás. Ahelyett, hogy ezer példát kapna arra, hogy „ez a futás selejt volt, ez jó”, a modell feldolgozza a sor nyers előzményeit, és megtanulja a szerkezetét: mely változók mozognak együtt, milyen az egyes termékek normál működési tartománya, hogyan változtatják ezt a műszakok és az évszakok. Az ettől a megtanult szerkezettől való eltérések az anomáliák, a mintát megtörő változók pedig a gyökérok-jelöltek.
Miért a gyár a természetes élőhely
A felügyelt tanuláshoz címkék kellenek, a gyári címkék pedig ritkák és torzak: egy sor, amely a kibocsátás 2%-át selejtezi, 50-szer több „jó” példát ad, mint „rosszat”, és a rossz példákhoz ritkán tartozik dokumentált ok. A felügyelet nélküli módszerek megkerülik a problémát, a normál termelés, amelyből minden üzemnek bőven van, maga a tanítókészlet. Ezért a jelenlegi generáció leggyorsabban bevezethető platformjai a magjukban felügyelet nélküliek: semmit sem kell felcímkézni, mielőtt az érték megjelenik.
Gyökérokok, amelyeket senki sem figyelt
A küszöbalapú felügyelet csak azokat a változókat őrzi, amelyeket valaki őrizni döntött. A felügyelet nélküli modellek mindent figyelnek, amit megkapnak (egyszerre változók százait (a mai platformokban 700 felett)), így rendszeresen egy kölcsönhatásnak tulajdonítanak egy selejtcsúcsot: egy alapanyagtétel találkozik egy kopott szerszámmal és egy zóna 2 °C-os driftjével, miközben egyik sem lépett át egyedi riasztási határt. Ezzel a megközelítéssel a szállítók által jelentett eredmények elérik a −58% selejtet és −20% energiát az optimalizált sorokon.
Mit követeljen meg az értékelés során
Két dolog választja el a hasznos telepítéseket a zajgenerátoroktól: az attribúció (minden anomáliának rangsorolt hozzájáruló változókkal kell érkeznie) és az üzemállapot-tudatosság (a modellnek meg kell különböztetnie egy termékátállást egy folyamatdrifttől). Kérje a szállítókat, hogy mindkettőt az Ön adatain mutassák be, ne bemutató adatkészleten.
GYIK
- Mi a különbség a felügyelt és a felügyelet nélküli tanulás között egy üzemben?
- A felügyelt modellek felcímkézett példákból tanulnak (ezek a futások selejtesek voltak), és ezt a címkét jelzik előre; a felügyelet nélküli modellek a normál működés szerkezetét tanulják meg, és jelzik az eltéréseket. Az üzemek felügyelt modelleket ott használnak, ahol bőven van címke (vizuális ellenőrzés), felügyelet nélkülieket pedig anomáliaészlelésre és gyökérok-feltárásra.
- Szükség van adattudósra a felügyelet nélküli tanuláshoz?
- A jelenlegi platformgeneráció úgy épül, hogy ne legyen: a modellek önállóan tanulnak a sor előzményein, a riasztások pedig a hozzájáruló változókkal együtt érkeznek, így a folyamatmérnökök közvetlenül cselekedhetnek. Ez az üzemeltethetőség alapvető beszerzési szempont, nem kellemes extra.
Az oldal minden száma: egyetlen forrásolt táblázatban.
A 43,6 milliárd dolláros piac számítása, felhasználásieset-arányok, bevezetési akadályok és publikált bevezetési eredmények, érintetlen forrásoszloppal. Közvetlenül beilleszthető az üzleti tervébe.