Strojové učení
Strojové učení je obor umělé inteligence, ve kterém systémy rozpoznávají vzory v datech a používají je k předpovědím nebo rozhodnutím, místo aby se řídily výslovně naprogramovanými pravidly.
Se strojovým učením natrénujete model na historických datech, místo abyste pro každou situaci vypisovali pravidla krok za krokem. Model si osvojí statistické souvislosti a vzory v trénovacích datech a uloží je jako interní parametry. Poté tyto naučené vzory používá k tomu, aby dělal předpovědi na nových, dosud neviděných datech. Čím víc relevantních, čistých dat je k dispozici, tím spolehlivější bývají výsledky.
V zásadě existují tři přístupy: učení s učitelem, kdy se model trénuje na označených příkladech; učení bez učitele, kdy si strukturu v neoznačených datech nachází samo; a posilované učení, kdy se systém učí pokusem, omylem a zpětnou vazbou. Mezi běžné techniky patří od jednoduchých rozhodovacích stromů a lineárních modelů až po složité neuronové sítě. Který přístup se hodí nejlíp, závisí na typu dat, řešeném úkolu a na tom, jak transparentní výsledky musí být.
Ve firmách se strojové učení často uplatňuje tam, kde se hromadí velké objemy dat a vzory jsou příliš složité na to, aby je lidé sledovali ručně, například při předpovídání poptávky, poruch zařízení nebo odchylek kvality. Natrénovaný model ale není pevná kniha pravidel; je potřeba ho pravidelně kontrolovat a přetrénovávat, jak se procesy a podmínky mění. Stejně důležité je, že kvalita výsledků přímo závisí na kvalitě a reprezentativnosti podkladových dat.
Prakticky priklad
Kovovýrobní dílna sbírá 18 měsíců dat ze senzorů tří frézek, včetně vibrací, teploty a proudového odběru. Na těchto datech se spolu se zaznamenanými poruchami natrénuje model strojového učení a naučí se rozpoznávat vzory, které se typicky objevují asi 48 hodin před selháním ložiska. Místo dosavadního pevného plánu údržby každých 400 provozních hodin dostává tým nyní cílená upozornění, což v prvním roce sníží neplánované prostoje zhruba o 30 procent.
Jak pomaha Leanshift
Strojové učení odhaluje v datech vzory, které by jinak v procesu zůstaly skryté, a dává tak průběžnému zlepšování další zdroj poznání. Nenahrazuje chození na gemba a přímé pozorování, funguje spolu s ním: tam, kde Kaizen zostřuje váš pohled, strojové učení zviditelňuje opakující se vzory ve velkých objemech dat. Cílem nakonec je proměnit tato zjištění v lepší rozhodnutí a pomoct víc lidem v provozu, aby zlepšení sami odhalovali a prosazovali.
Casto kladene otazky
Potřebujete pro strojové učení vždy velké množství dat?
Ne nutně. Některé metody fungují dobře i na menších, ale čistých a reprezentativních datových sadách, i když větší objemy obvykle zlepšují spolehlivost.
Je strojové učení totéž co umělá inteligence?
Ne, strojové učení je podobor umělé inteligence. AI je širší pojem, zatímco strojové učení popisuje konkrétní metodu, díky které se systémy učí z dat.
Jak poznáte, že je model skutečně spolehlivý?
Testujete ho na datech, která se během trénování nepoužila, a průběžně sledujete jeho přesnost předpovědí v čase, protože reálné procesy se mění.