Машинное обучение
Машинное обучение - это направление искусственного интеллекта, в котором системы выявляют закономерности в данных и используют их для составления прогнозов или принятия решений, вместо того чтобы следовать явно запрограммированным правилам.
При машинном обучении модель обучается на исторических данных вместо того, чтобы пошагово прописывать правила для каждой ситуации. Модель выявляет статистические связи и закономерности в обучающих данных и сохраняет их в виде внутренних параметров. Затем она использует эти выученные закономерности для составления прогнозов на новых, ранее не встречавшихся данных. Чем больше релевантных, чистых данных доступно, тем надёжнее, как правило, результаты.
В общем можно выделить три подхода: обучение с учителем, при котором модель обучается на размеченных примерах; обучение без учителя, при котором модель самостоятельно находит структуру в неразмеченных данных; и обучение с подкреплением, при котором система учится методом проб, ошибок и обратной связи. Распространённые методы варьируются от простых деревьев решений и линейных моделей до сложных нейронных сетей. Какой подход подходит лучше, зависит от типа данных, конкретной задачи и того, насколько прозрачными должны быть результаты.
В компаниях машинное обучение часто применяется там, где накапливаются большие объёмы данных, а закономерности становятся слишком сложными, чтобы отслеживать их вручную, например при прогнозировании спроса, поломок оборудования или отклонений качества. Однако обученная модель - это не застывший свод правил: её нужно регулярно проверять и переобучать по мере изменения процессов и условий. Не менее важно, что качество результатов напрямую зависит от качества и репрезентативности исходных данных.
Практический пример
Цех по металлообработке собирает данные датчиков с трёх фрезерных станков за 18 месяцев, включая вибрацию, температуру и потребляемый ток. На этих данных вместе с зафиксированными случаями поломок обучается модель машинного обучения, которая учится распознавать закономерности, обычно проявляющиеся примерно за 48 часов до отказа подшипника. Вместо прежнего фиксированного графика обслуживания каждые 400 часов работы команда теперь получает целевые предупреждения, что сокращает незапланированные простои примерно на 30 процентов в первый год.
Как помогает Leanshift
Машинное обучение выявляет закономерности в данных, которые иначе оставались бы скрытыми в процессе, давая непрерывному улучшению дополнительный источник понимания. Оно не заменяет выход на Gemba и прямое наблюдение, а работает вместе с ним: там, где Kaizen обостряет взгляд, машинное обучение делает повторяющиеся закономерности видимыми в больших объёмах данных. В конечном счёте цель - превратить эти находки в более качественные решения и помочь большему числу людей на местах самостоятельно замечать и продвигать улучшения.
Часто задаваемые вопросы
Всегда ли для машинного обучения нужны большие объёмы данных?
Не обязательно. Некоторые методы хорошо работают на небольших, но чистых и репрезентативных наборах данных, хотя большие объёмы обычно повышают надёжность.
Является ли машинное обучение тем же самым, что и искусственный интеллект?
Нет, машинное обучение - это подобласть искусственного интеллекта. ИИ - более широкое понятие, тогда как машинное обучение описывает конкретный метод, позволяющий системам обучаться на данных.
Как узнать, действительно ли модель надёжна?
Модель тестируют на данных, которые не использовались при обучении, и постоянно отслеживают точность её прогнозов с течением времени, поскольку реальные процессы меняются.