Strojno učenje
Strojno učenje je veja umetne inteligence, pri kateri sistemi v podatkih prepoznajo vzorce in jih uporabijo za napovedi ali odločitve, namesto da bi sledili izrecno programiranim pravilom.
Pri strojnem učenju model naučiš na zgodovinskih podatkih namesto da bi za vsako situacijo izpisal korak za korakom pravila. Model iz učnih podatkov zazna statistične povezave in vzorce ter jih shrani kot interne parametre. Nato te naučene vzorce uporablja za napovedovanje na novih, prej nevidenih podatkih. Več kot je na voljo ustreznih, čistih podatkov, zanesljivejši ponavadi so rezultati.
Na splošno obstajajo trije pristopi: nadzorovano učenje, pri katerem se model uči na označenih primerih; nenadzorovano učenje, pri katerem sam odkriva strukturo v neoznačenih podatkih; in okrepitveno učenje, pri katerem se sistem uči s poskusi, napakami in povratnimi informacijami. Pogoste tehnike segajo od preprostih odločitvenih dreves in linearnih modelov do kompleksnih nevronskih mrež. Kateri pristop je najprimernejši, je odvisno od vrste podatkov, naloge in tega, koliko preglednosti morajo imeti rezultati.
V podjetjih se strojno učenje pogosto uporablja tam, kjer se kopičijo velike količine podatkov in vzorci postanejo prekompleksni, da bi jih ljudje ročno sledili, na primer pri napovedovanju povpraševanja, okvar opreme ali odstopanj kakovosti. Naučen model pa ni fiksen priročnik pravil; treba ga je redno preverjati in ponovno učiti, ko se procesi in razmere spreminjajo. Enako pomembno je, da je kakovost rezultatov neposredno odvisna od kakovosti in reprezentativnosti osnovnih podatkov.
Praktični primer
Tovarna za kovinsko predelavo zbira 18 mesecev podatkov senzorjev s treh rezkalnih strojev, vključno z vibracijami, temperaturo in porabo toka. Na teh podatkih skupaj z zabeleženimi okvarami se nauči model strojnega učenja, ki prepozna vzorce, ki se običajno pojavijo približno 48 ur pred odpovedjo ležaja. Namesto prejšnjega fiksnega urnika vzdrževanja vsakih 400 obratovalnih ur ekipa zdaj prejema ciljna opozorila, kar v prvem letu nenačrtovane izpade zmanjša za približno 30 odstotkov.
Kako pomaga Leanshift
Strojno učenje razkriva vzorce v podatkih, ki bi sicer ostali skriti v procesu, kar nenehnemu izboljševanju daje dodaten vir spoznanj. Ne nadomesti obiska gembe in neposrednega opazovanja, temveč deluje ob njem: kjer Kaizen izostri tvoje oko, strojno učenje naredi ponavljajoče se vzorce vidne v velikih količinah podatkov. Cilj je na koncu ta spoznanja spremeniti v boljše odločitve in pomagati več ljudem na terenu, da sami opazijo in poganjajo izboljšave.
Pogosto zastavljena vprašanja
Ali strojno učenje vedno potrebuje velike količine podatkov?
Ne nujno. Nekatere metode dobro delujejo na manjših, a čistih in reprezentativnih naborih podatkov, čeprav večje količine ponavadi izboljšajo zanesljivost.
Ali je strojno učenje isto kot umetna inteligenca?
Ne, strojno učenje je podpodročje umetne inteligence. UI je širši izraz, medtem ko strojno učenje opisuje konkretno metodo, ki sistemom omogoča učenje iz podatkov.
Kako veš, ali je model dejansko zanesljiv?
Testira se na podatkih, ki niso bili uporabljeni med učenjem, njegova napovedna natančnost pa se sproti spremlja, saj se resnični procesi spreminjajo.