Učenie bez učiteľa (priemyselné)
- Učenie bez učiteľa sa trénuje na neoznačených dátach: učí sa, ako vyzerá normálna výroba, namiesto toho, aby sa učilo z označených príkladov porúch.
- Do tovární sa hodí, pretože poruchy sú zriedkavé a označovanie drahé: väčšina liniek má roky 'normálu' a len hŕstku zdokumentovaných zlých behov.
- Jeho kľúčovou aplikáciou je hľadanie koreňových príčin: odhaľovanie interakcií premenných, ktoré žiadny inžinier nemal dôvod sledovať.
- Cenou je disciplína vysvetľovania: dobrá platforma musí ukázať, ktoré premenné vyvolali každé upozornenie, inak ju inžinieri budú ignorovať.
Učenie bez učiteľa je strojové učenie bez označených odpovedí. Namiesto toho, aby model videl tisíc príkladov „tento beh bol nepodarok, tento bol dobrý“, načíta surovú históriu linky a naučí sa jej štruktúru: ktoré premenné sa pohybujú spoločne, ako vyzerá normálna obálka každého výrobku, ako ju menia zmeny a ročné obdobia. Odchýlky od tejto naučenej štruktúry sú anomálie, a premenné, ktoré vzorec porušili, sú kandidátmi na koreňové príčiny.
Prečo sú továrne prirodzeným prostredím
Učenie s učiteľom potrebuje označenia a továrenských označení je málo a sú nevyvážené: linka, ktorá vyradí 2 % produkcie, vám dá 50× viac príkladov „dobrých“ než „zlých“ a zlé príklady málokedy nesú zdokumentovanú príčinu. Metódy bez učiteľa problém obchádzajú: normálna výroba, ktorej má každý závod dostatok, je trénovacou sadou. Preto sú najrýchlejšie nasaditeľné platformy súčasnej generácie v jadre bez učiteľa: kým príde prínos, nemusí sa nič označovať.
Koreňové príčiny, ktoré nikto nesledoval
Prahové monitorovanie stráži len premenné, ktoré sa niekto rozhodol strážiť. Modely bez učiteľa sledujú všetko, čo dostanú (stovky premenných naraz (vyše 700 v súčasných platformách)) takže bežne pripisujú špičku nepodarkov interakcii: šarža suroviny sa stretne s opotrebovaným nástrojom a driftom zóny o 2 °C, pričom nič z toho neprekročilo jednotlivú hranicu alarmu. Výsledky hlásené dodávateľmi pri tomto prístupe dosahujú −58 % nepodarkov a −20 % energie na optimalizovaných linkách.
Čo požadovať pri hodnotení
Užitočné nasadenia od generátorov šumu oddeľujú dve veci: atribúcia (každá anomália musí prísť so zoradenými prispievajúcimi premennými) a znalosť režimov (model musí odlíšiť prestavbu výrobku od driftu procesu). Požiadajte dodávateľov, aby oboje predviedli na vašich dátach, nie na ukážkovej sade.
Časté otázky
- Aký je rozdiel medzi učením s učiteľom a bez učiteľa v závode?
- Modely s učiteľom sa učia z označených príkladov (tieto behy boli nepodarky) a predpovedajú toto označenie; modely bez učiteľa sa učia štruktúru normálnej prevádzky a hlásia odchýlky. Závody používajú modely s učiteľom tam, kde je označení dostatok (vizuálna kontrola), a modely bez učiteľa na detekciu anomálií a hľadanie koreňových príčin.
- Potrebuje učenie bez učiteľa dátového vedca?
- Súčasná generácia platforiem je postavená tak, aby nepotrebovalo: modely sa samy trénujú na histórii linky a výstrahy prichádzajú s pripojenými prispievajúcimi premennými, takže procesní inžinieri konajú priamo. Táto prevádzkovateľnosť je kľúčovým nákupným kritériom, nie príjemným bonusom.
Každé číslo z tohto webu: v jednej tabuľke so zdrojmi.
Výpočet trhu 43,6 mld. USD, podiely prípadov použitia, bariéry zavádzania a publikované výsledky nasadení, s nedotknutým stĺpcom zdrojov. Pripravené na vloženie priamo do vášho business case.