یادگیری ماشین برای عملکرد بهینه به انسان نیاز دارد

یک‌شنبه ۳ شهریور ۱۳۹۸ - ۱۳:۰۰
مطالعه 4 دقیقه
با وجود گذشت ده‌ها سال از ظهور اولین نرم‌افزارهای پیشرفته‌ی صنعتی، یادگیری ماشین هنوزهم برای عملکرد بهینه و بدون خطا نیازمند مداخله‌ی انسانی است.
تبلیغات

پس از گذشت چهار دهه از زمان کاربرد اولین نرم‌افزار پیشرفته در صنایع دارایی‌بر مانند تأسیسات، فرودگاه‌ها، بندرگاه‌‌ها، جاده‌ها، خط‌آهن و معدن، تولیدکنندگان مسیری درخورتوجه به‌منظور تحول کسب‌وکار خود و تولید ارزش‌افزوده برای ذی‌نفعان طی کرده‌اند. صنایع دارایی‌بر صنایعی هستند که وابستگی زیادی به دارایی‌های فیزیکی خود دارند.

امروزه، به‌لطف پیشرفت‌های هوش مصنوعی، به‌ویژه یادگیری ماشین، نسل جدیدی از فناوری‌ها ظهور کرده‌اند که فرصت‌های جدیدی برای برتری عملیاتی در بخش‌های صنعتی به‌وجود آورده‌اند. کسب‌وکارها برای سبقت از یکدیگر، نه‌تنها باید پیچیدگی‌های یادگیری ماشین را درک کنند؛ بلکه باید براساس آن عمل کنند و بدین‌ترتیب به مزیت برسند.

ناگفته نماند آخرین راه‌حل‌های یادگیری ماشین می‌توانند چند هفته زودتر به وجود خرابی یا نقص در دارایی‌ها پی ببرند و با تشخیص الگوهای داده‌ای پیچیده و کشف آثار دقیق خرابی یا نقص، تجهیزات ناهنجار را از تجهیزات عادی تفکیک کنند.

تعامل انسان و ماشین

کشف ناهنجاری

مایک بروکز، مدیر ارشد شرکت نرم‌افزاری بهینه‌سازی اسپن‌تِک (AspenTech)، در این باره می‌گوید:

سیستم‌های یادگیری ماشین می‌توانند به اپراتورها هشدار دهند و برای دوری از خطاهای احتمالی یا کاهش پیامدها، راه‌حل‌هایی تعریف کنند. روش یادگیری ماشین بدون ناظر، روشی مختص الگوهای یادگیری عملکرد یا رفتار است که از تکنیک‌های دسته‌بندی استفاده می‌کند.

علاوه‌براین، در این قبیل‌ سیستم‌ها می‌توان براساس سیگنال‌های دریافتی از حسگرها و ماشین‌ها رفتارهای عملیاتی را درک کرد و پس از یادگیری الگوهای رفتاری و تحلیل داده‌های جدید، به انحراف‌ها یا ناهنجاری‌ها پی برد. درنهایت، با پی‌بردن به ناهنجاری‌ها می‌توان مشکلات مکانیکی و تغییرات فرایند تأثیرگذار بر بخش‌های مختلف تجهیزات را شناسایی کرد. بااین‌حال، ممکن است روش یادگیری بدون ناظر پر از خطا باشد و همیشه به مداخله‌ی انسان نیاز داشته باشد. بروکز معتقد است:

این روش در کشف هم‌بستگی‌ها عملکرد خوبی دارد؛ اما کارایی‌اش در علت‌یابی مشکل کمتر است. یادگیری ماشین بدون دخالت انسان صرفا می‌تواند هم‌بستگی‌های بی‌معنی، ولی واقعی مثل رابطه‌ی کاهش مرگ در بزرگ‌راه‌های ایالات‌ متحده و واردات لیمو از مکزیک را پیدا کند.

هم‌بستگی با ریشه‌یابی یکسان نیست

وقتی یادگیری ماشین بدون ناظر موفق می‌شود ناهنجاری را کشف کند، تغییر در الگوی رفتاری دو حالت دارد: وضعیت عملیاتی جدید یا بروز خطای احتمالی. اینجا است که عاملی انسانی باید ماشین را بررسی و برای انتخاب گزینه‌ی صحیح تصمیم‌گیری کند. مداخله‌ی دستی به قابلیت تطبیق و یادگیری سیستم کمک می‌کند و تحلیلی مطمئن برای کسب‌وکار ارائه می‌کند.

افزون‌براین، هم‌بستگی (Correlation) با علت‌یابی (Causation) یکسان نیست؛ بنابراین، یادگیری ماشین برای یادگیری صحیح به راهنمای انسانی نیاز دارد. برای مثال، فناوری‌های تشخیص صدا از یادگیری ماشین استفاده می‌کنند؛ اما بدون کمک نمی‌توانند یاد بگیرند. دستیارهای شخصی هم برای تفسیر عبارت‌های پردازش‌نشده و ترجمه‌ی آن‌ها به ناظران انسانی نیاز دارند.

نیاز به دخالت انسان

به‌طور مشابه، قابلیت کشف فریب کارت اعتباری باید رفتار خرید را یاد بگیرد. ممکن است شرکت کارت اعتباری بپرسد: «آیا می‌خواهید بلیت هواپیما را در پاریس بخرید؟» در این صورت صادرکننده‌ی کارت اعتباری از یادگیری ماشین برای درک الگوهای عادی خرید استفاده می‌کند و بدین‌ترتیب رفتار ناهنجار را تشخیص می‌دهد. بروکز می‌گوید:

ورودی ساده‌ی بله یا خیر، برای تشخیص ناهنجاری کافی است و رفتارهای خرید عادی را از رفتارهای فریب‌دهنده تفکیک می‌کند.

عملکرد یادگیری ماشین در پیداکردن دلیل خطا بهینه نیست

به همین ترتیب، یادگیری ماشین بدون ناظر برای عملکرد مؤثر نیازمند مداخله‌ی انسان است و باید رویداد و زمان و تاریخ آن را برای آن تعریف کرد. علاوه‌بر‌این، فناوری باید نشان الگوهای دقیقی را شناسایی کند که به اتفاق منجر می‌شوند. برای مثال، این الگوها در صنایع دارایی‌بر می‌توانند به نقص در دستگاه‌ها منجر شوند. بروکز درباره‌ی این موضوع می‌گوید:

فناوری در درجه‌ی اول به یادگیری و ارزیابی الگوی خطا می‌پردازد. سپس، برای یافتن احتمال دقیق بازگشت الگو، جریان‌های داده‌ای ورودی را آزمایش می‌کند. در مرحله‌ی بعد، قبل از وقوع خطا هشدار می‌دهد و زمان لازم را برای رفع خطا یا تعمیر قبل از وقوع خسارت بزرگ فراهم می‌کند. بدین‌ترتیب، هزینه‌ی نگه‌داری کاهش می‌یابد و محصولات ارزشمندتری تولید می‌شوند.

چشم‌اندازهای درخشان

موریس با تأکید بر مزایای یادگیری ماشین در راه‌اندازی بهینه‌ی تأسیسات و بهینه‌سازی عملکرد موجودی‌ها، صاحبان کسب‌وکارهای دارایی‌بر را به استفاده از این فناوری تشویق می‌کند. در بازارهای شلوغ امروزی، فرصت استفاده از یادگیری ماشین و مزایای آن برای پیش‌بینی عملکرد دارایی و افزایش مزایای کسب‌وکار و توسعه‌ی مرز رقابتی به‌وجود آمده است. موریس معتقد است:

یادگیری ماشین از نوع بدون نظارت، می‌تواند به کسب‌وکارها در شناسایی ناهنجاری‌ها و عملکرد کمک کند؛ اما سازمان‌ها باید آگاه باشند که یادگیری ماشین برای عملکرد در سطوح بهینه نیازمند هوش و راهنمایی انسانی است. یادگیری ماشین هنوز برای یافتن و حل مشکلات به راهنما نیاز دارد.

کسب‌وکارهای دارایی‌بر که به درک صحیحی از مزایای یادگیری ماشین می‌رسند، به بهترین شکل می‌توانند از مزایای آن برخوردار شوند و با ارزیابی الگوهای رفتاری دارایی و رسیدن به دیدگاه صحیح و توسعه‌ی خودکار چشم‌انداز، عملکرد دارایی در کل عملیات خود را می‌توانند بهینه‌سازی کنند.

تبلیغات
داغ‌ترین مطالب روز

نظرات

تبلیغات