Uczenie nienadzorowane (przemysłowe)

Uczenie nienadzorowane to uczenie maszynowe bez oznaczonych odpowiedzi. Zamiast pokazywać modelowi tysiąc przykładów „ta partia to braki, ta była dobra”, model przyswaja surową historię linii i uczy się jej struktury: które zmienne poruszają się razem, jak wygląda normalny obszar pracy każdego produktu, jak zmieniają go zmiany i pory roku. Odchylenia od tej wyuczonej struktury to anomalie, a zmienne, które złamały wzorzec, są kandydatami na przyczyny źródłowe.

Dlaczego fabryki są naturalnym środowiskiem

Uczenie nadzorowane potrzebuje etykiet, a etykiety fabryczne są nieliczne i niezrównoważone: linia, która odrzuca 2% produkcji, daje 50× więcej przykładów „dobrych” niż „złych”, a złe przykłady rzadko mają udokumentowaną przyczynę. Metody nienadzorowane omijają ten problem: normalna produkcja, której każdy zakład ma pod dostatkiem, jest zbiorem treningowym. Dlatego najszybciej wdrażane platformy obecnej generacji są w rdzeniu nienadzorowane: nic nie trzeba oznaczać, zanim pojawi się wartość.

Przyczyny źródłowe, których nikt nie obserwował

Monitoring progowy pilnuje tylko tych zmiennych, których ktoś postanowił pilnować. Modele nienadzorowane obserwują wszystko, co otrzymają (setki zmiennych naraz (ponad 700 w obecnych platformach)) więc rutynowo przypisują skok braków interakcji: partia surowca spotyka zużyte narzędzie i dryf strefy o 2 °C, przy czym żadne z nich nie przekroczyło indywidualnej granicy alarmu. Wyniki deklarowane przez dostawców przy tym podejściu sięgają −58% braków i −20% energii na zoptymalizowanych liniach.

Czego wymagać przy ocenie

Dwie rzeczy oddzielają użyteczne wdrożenia od generatorów szumu: atrybucja (każda anomalia musi przychodzić z uszeregowanymi zmiennymi, które się do niej przyczyniły) i świadomość stanów pracy (model musi odróżnić przezbrojenie od dryfu procesu). Warto poprosić dostawców o zademonstrowanie obu na Państwa danych, a nie na zestawie demonstracyjnym.

Najczęstsze pytania

Jaka jest różnica między uczeniem nadzorowanym a nienadzorowanym w zakładzie?

Modele nadzorowane uczą się na oznaczonych przykładach (te partie były brakami) i przewidują tę etykietę; modele nienadzorowane uczą się struktury normalnej pracy i sygnalizują odchylenia. Zakłady stosują modele nadzorowane tam, gdzie etykiet jest dużo (kontrola wizyjna), a nienadzorowane do wykrywania anomalii i odkrywania przyczyn źródłowych.

Czy uczenie nienadzorowane wymaga data scientista?

Obecna generacja platform jest zbudowana tak, by nie wymagało: modele same trenują się na historii linii, a alerty przychodzą z dołączonymi zmiennymi przyczynowymi, więc inżynierowie procesu działają bezpośrednio. Ta operacyjność to kluczowe kryterium zakupu, a nie miły dodatek.