Strojové učenie
Strojové učenie je odbor umelej inteligencie, v ktorom systémy rozpoznávajú vzory v údajoch a využívajú ich na predpovede alebo rozhodnutia, namiesto toho, aby sa riadili explicitne naprogramovanými pravidlami.
Pri strojovom učení sa model trénuje na historických údajoch namiesto toho, aby sa pre každú situáciu vypisovali pravidlá krok za krokom. Model zachytáva štatistické súvislosti a vzory v trénovacích údajoch a ukladá ich ako interné parametre. Tieto naučené vzory potom používa na predpovedanie výsledkov pri nových, dovtedy nevidených údajoch. Čím viac relevantných, čistých údajov je k dispozícii, tým spoľahlivejšie výsledky spravidla vychádzajú.
Vo všeobecnosti existujú tri prístupy: učenie s učiteľom, pri ktorom sa model trénuje na označených príkladoch; učenie bez učiteľa, pri ktorom si štruktúru v neoznačených údajoch nachádza sám; a posilňované učenie, pri ktorom sa systém učí pokusom, omylom a spätnou väzbou. Bežné techniky siahajú od jednoduchých rozhodovacích stromov a lineárnych modelov až po zložité neurónové siete. Ktorý prístup sa hodí najlepšie, závisí od typu údajov, danej úlohy a od toho, akú mieru transparentnosti výsledky potrebujú mať.
Vo firmách sa strojové učenie často uplatňuje tam, kde sa hromadí veľké množstvo údajov a vzory sa stávajú príliš zložitými na to, aby ich ľudia sledovali manuálne, napríklad pri predpovedaní dopytu, porúch zariadení alebo kvalitatívnych odchýlok. Natrénovaný model však nie je pevná zbierka pravidiel, treba ho pravidelne kontrolovať a pretrénovávať, keď sa procesy a podmienky menia. Rovnako dôležité je, že kvalita výsledkov priamo závisí od kvality a reprezentatívnosti podkladových údajov.
Praktický príklad
Prevádzka na spracovanie kovov zbiera 18 mesiacov údaje zo senzorov troch fréz vrátane vibrácií, teploty a odberu prúdu. Na týchto údajoch spolu so zaznamenanými poruchami sa natrénuje model strojového učenia, ktorý sa naučí rozpoznávať vzory, ktoré sa typicky objavia asi 48 hodín pred poruchou ložiska. Namiesto pôvodného pevného plánu údržby každých 400 prevádzkových hodín dostáva tím teraz cielené upozornenia, čo v prvom roku zníži neplánované prestoje približne o 30 percent.
Ako pomáha Leanshift
Strojové učenie odhaľuje v údajoch vzory, ktoré by inak v procese zostali skryté, čím dáva priebežnému zlepšovaniu ďalší zdroj poznatkov. Nenahrádza chodenie na gemba a priame pozorovanie, pracuje popri ňom: tam, kde Kaizen zostrí váš pohľad, strojové učenie zviditeľní opakujúce sa vzory naprieč veľkým objemom údajov. Cieľom je napokon premeniť tieto poznatky na lepšie rozhodnutia a pomôcť viacerým ľuďom v prevádzke, aby sami rozpoznávali a presadzovali zlepšenia.
Často kladené otázky
Potrebuje strojové učenie vždy veľké množstvo údajov?
Nie nevyhnutne. Niektoré metódy fungujú dobre aj na menších, no čistých a reprezentatívnych súboroch údajov, hoci väčší objem zvyčajne zvyšuje spoľahlivosť.
Je strojové učenie to isté ako umelá inteligencia?
Nie, strojové učenie je podoblasť umelej inteligencie. AI je širší pojem, zatiaľ čo strojové učenie opisuje konkrétnu metódu, ktorá umožňuje systémom učiť sa z údajov.
Ako zistíte, či je model naozaj spoľahlivý?
Testuje sa na údajoch, ktoré sa pri trénovaní nepoužili, a jeho presnosť predpovedí sa priebežne sleduje, pretože skutočné procesy sa menia.