Машинно обучение
Машинното обучение е клон на изкуствения интелект, при който системите разпознават модели в данни и ги използват, за да правят прогнози или решения, вместо да следват изрично програмирани правила.
При машинното обучение обучаваш модел върху исторически данни, вместо да записваш стъпка по стъпка правила за всяка ситуация. Моделът улавя статистическите връзки и моделите в обучаващите данни и ги съхранява като вътрешни параметри. След това използва тези научени модели, за да прави прогнози върху нови, невиждани преди данни. Колкото повече релевантни, чисти данни са налични, толкова по-надеждни обикновено са резултатите.
В общи линии съществуват три подхода: контролирано обучение, при което моделът се обучава върху етикетирани примери; неконтролирано обучение, при което той сам открива структура в неетикетирани данни; и обучение с подкрепление, при което дадена система учи чрез опити, грешки и обратна връзка. Разпространени техники варират от прости дървета на решения и линейни модели до сложни невронни мрежи. Кой подход подхожда най-добре зависи от вида на данните, конкретната задача и колко прозрачност трябва да имат резултатите.
В предприятията машинното обучение често се прилага там, където се натрупват големи обеми данни и моделите стават твърде сложни, за да бъдат проследени ръчно от хора, например при прогнозиране на търсенето, повредите на оборудването или отклоненията в качеството. Обученият модел обаче не е фиксиран наръчник с правила; той трябва редовно да се проверява и преобучава, докато процесите и условията се променят. Също толкова важно, качеството на резултатите зависи пряко от качеството и представителността на използваните данни.
Практически пример
Цех за металообработка събира данни от сензори за 18 месеца от три фрезови машини, включително вибрации, температура и консумация на ток. Модел на машинно обучение се обучава върху тези данни заедно с регистрирани случаи на повреди и се научава да разпознава модели, които типично се появяват около 48 часа преди повреда на лагер. Вместо предишния фиксиран график за поддръжка на всеки 400 работни часа, екипът вече получава целенасочени сигнали, което намалява непланираните престои с около 30 процента през първата година.
Как помага Leanshift
Машинното обучение разкрива модели в данните, които иначе биха останали скрити в даден процес, давайки на непрекъснатото подобрение допълнителен източник на прозрение. То не заменя посещението на gemba и прякото наблюдение; работи заедно с него: там, където Kaizen изостря погледа, машинното обучение прави повтарящите се модели видими в големи обеми данни. В крайна сметка целта е тези прозрения да се превърнат в по-добри решения и да помогнат на повече хора на терен сами да откриват и водят подобрения.
Често задавани въпроси
Винаги ли са нужни големи количества данни за машинно обучение?
Не непременно. Някои методи работят добре при по-малки, но чисти и представителни набори от данни, макар по-големите обеми обикновено да подобряват надеждността.
Машинното обучение същото нещо ли е като изкуствения интелект?
Не, машинното обучение е подобласт на изкуствения интелект. ИИ е по-широкият термин, докато машинното обучение описва конкретен метод, който позволява на системите да учат от данни.
Как разбираш дали даден модел наистина е надежден?
Тестваш го върху данни, които не са били използвани по време на обучението, и продължаваш да следиш точността на прогнозите му с времето, тъй като реалните процеси се променят.