Apprendimento non supervisionato (industriale)

L'apprendimento non supervisionato è machine learning senza risposte etichettate. Invece di vedere mille esempi di “questo lotto era scarto, questo era buono”, il modello acquisisce lo storico grezzo della linea e ne apprende la struttura: quali variabili si muovono insieme, com'è l'inviluppo normale di ogni prodotto, come turni e stagioni lo modificano. Le deviazioni da questa struttura appresa sono anomalie, e le variabili che hanno rotto lo schema sono candidate cause radice.

Perché le fabbriche sono l'habitat naturale

L'apprendimento supervisionato ha bisogno di etichette, e in fabbrica le etichette sono scarse e sbilanciate: una linea che scarta il 2% della produzione fornisce 50× più esempi di “buono” che di “cattivo”, e gli esempi cattivi raramente riportano una causa documentata. I metodi non supervisionati aggirano il problema: la produzione normale, che ogni stabilimento ha in abbondanza, è il set di addestramento. Ecco perché le piattaforme di questa generazione che si implementano più velocemente sono non supervisionate nel loro nucleo: non serve etichettare nulla prima che arrivi il valore.

Cause radice che nessuno stava osservando

Il monitoraggio a soglie sorveglia solo le variabili che qualcuno ha scelto di sorvegliare. I modelli non supervisionati osservano tutto ciò che viene loro fornito (centinaia di variabili contemporaneamente (oltre 700 nelle piattaforme attuali)) e così attribuiscono regolarmente un picco di scarti a un'interazione: un lotto di materia prima che incontra un utensile usurato più una deriva di 2 °C in una zona, nessuno dei quali ha superato un singolo limite di allarme. I risultati dichiarati dai fornitori con questo approccio arrivano a −58% di scarti e −20% di energia sulle linee ottimizzate.

Cosa pretendere in fase di valutazione

Due elementi separano le implementazioni utili dai generatori di rumore: l'attribuzione (ogni anomalia deve arrivare con le variabili che vi contribuiscono ordinate) e la consapevolezza dei regimi (il modello deve distinguere un cambio prodotto da una deriva di processo). Chieda ai fornitori di dimostrare entrambi sui Suoi dati, non su un set dimostrativo.

Domande frequenti

Qual è la differenza tra apprendimento supervisionato e non supervisionato in uno stabilimento?

I modelli supervisionati imparano da esempi etichettati (questi lotti erano scarto) e prevedono quell'etichetta; i modelli non supervisionati apprendono la struttura del funzionamento normale e segnalano le deviazioni. Gli stabilimenti usano modelli supervisionati dove le etichette abbondano (ispezione visiva) e non supervisionati per il rilevamento delle anomalie e la scoperta delle cause radice.

L'apprendimento non supervisionato richiede un data scientist?

L'attuale generazione di piattaforme è costruita perché non serva: i modelli si auto-addestrano sullo storico della linea e gli avvisi arrivano con le variabili contribuenti allegate, così gli ingegneri di processo agiscono direttamente. Questa operabilità è un criterio d'acquisto fondamentale, non un optional.