Aprendizagem não supervisionada (industrial)

A aprendizagem não supervisionada é machine learning sem respostas etiquetadas. Em vez de lhe mostrarem mil exemplos de “esta produção foi refugo, esta foi boa”, o modelo ingere o histórico bruto da linha e aprende a sua estrutura: que variáveis se movem em conjunto, como é a janela normal de cada produto, como os turnos e as estações a alteram. Os desvios face a essa estrutura aprendida são anomalias, e as variáveis que quebraram o padrão são candidatas a causa-raiz.

Porque é que as fábricas são o habitat natural

A aprendizagem supervisionada precisa de etiquetas, e as etiquetas fabris são escassas e desequilibradas: uma linha que rejeita 2% da produção dá-lhe 50× mais exemplos de “bom” do que de “mau”, e os maus exemplos raramente trazem uma causa documentada. Os métodos não supervisionados contornam o problema, a produção normal, que todas as fábricas têm em abundância, é o conjunto de treino. É por isso que as plataformas desta geração com implementação mais rápida são não supervisionadas no seu núcleo: nada tem de ser etiquetado antes de o valor começar.

Causas-raiz que ninguém estava a vigiar

A monitorização por limiares só protege as variáveis que alguém escolheu proteger. Os modelos não supervisionados vigiam tudo o que lhes é dado (centenas de variáveis ao mesmo tempo (mais de 700 nas plataformas atuais)) e por isso atribuem com frequência um pico de refugo a uma interação: um lote de matéria-prima que encontra uma ferramenta gasta mais uma deriva de 2 °C numa zona, sem que nenhum deles tenha ultrapassado um limite de alarme individual. Os resultados reportados pelos fornecedores com esta abordagem chegam a −58% de refugo e −20% de energia em linhas otimizadas.

O que exigir na avaliação

Duas coisas separam as implementações úteis dos geradores de ruído: a atribuição (cada anomalia tem de chegar com as variáveis contribuintes ordenadas) e o reconhecimento de regimes (o modelo tem de distinguir uma mudança de série de uma deriva de processo). Peça aos fornecedores que demonstrem ambas com os seus dados, não com um conjunto de demonstração.

Perguntas frequentes

Qual é a diferença entre aprendizagem supervisionada e não supervisionada numa fábrica?

Os modelos supervisionados aprendem com exemplos etiquetados (estas produções foram refugo) e preveem essa etiqueta; os modelos não supervisionados aprendem a estrutura do funcionamento normal e assinalam desvios. As fábricas usam modelos supervisionados onde as etiquetas abundam (inspeção por visão) e não supervisionados para deteção de anomalias e descoberta de causas-raiz.

A aprendizagem não supervisionada precisa de um cientista de dados?

A geração atual de plataformas foi construída para que não precise: os modelos treinam-se sozinhos com o histórico da linha e os alertas chegam com as variáveis contribuintes anexadas, pelo que os engenheiros de processo agem diretamente. Essa operabilidade é um critério de compra central, não um extra simpático.