Zastosowanie modeli uczenia maszynowego

Złożony proces modelowania

Obecnie analitycy danych wykonują analizę danych i tworzą modele ML. Ten proces pozostaje w dużej mierze ręczny i ma charakter rozpoznawczy. Tworzony jest nie tylko model rzeczywisty, lecz także tzw. potok ML (ML Pipeline), w którym dane przechodzą przez wiele etapów przetwarzania, a na końcu przedstawiany jest model i pojawia się wynik.

Procesy tworzenia modelu i potoku ML są bardzo złożone. Łącznie istnieje nawet 1040 możliwych kombinacji rozwiązania ML. Konkretny projekt potoku ML jest unikatowy w każdym przypadku. Istnieje oczywiście kilka narzędzi programowych dla analityków danych, które wspierają podstawową strukturę potoku i tym samym upraszczają pracę. Jednakże większość parametrów potoku ML musi być określona ręcznie w sposób twórczy, co pozostaje żmudnym zadaniem. Podczas modelowania i budowy potoku analityk danych stale omawia relacje znalezione w danych z ekspertami ds. maszyn i procesów. Wyniki są interpretowane wspólnie, dzięki czemu parametry modelu i potoku zostają ostatecznie zidentyfikowane, a następnie ustalone. Wiedza o aplikacji, jaką dysponują eksperci branżowi, odgrywa zatem decydującą rolę w pomyślnym opracowaniu dobrego rozwiązania ML.

Łatwiejsze korzystanie z systemów samouczących

Wizja firmy Weidmüller polega na udostępnieniu systemów samouczących specjalistom ze wszystkich dziedzin przemysłu i na sprawieniu, by zastosowanie ML w przemyśle nie było ograniczone przez liczbę analityków danych. Pozwoli to na jak najlepsze wykorzystanie istniejącej wiedzy ekspertów branżowych. Do tego potrzebne jest ujednolicenie i uproszczenie stosowania rozwiązań ML w aplikacjach przemysłowych w takim stopniu, aby eksperci branżowi mogli samodzielnie generować rozwiązania ML, bez specjalistycznej wiedzy w dziedzinie nauki o danych. Obejmuje to również możliwie największą automatyzację modelowania, jak też generowania potoku ML w celu przyspieszenia tworzenia rozwiązania ML. Techniczne podejście do tej kwestii opisuje pojęcie „zautomatyzowane uczenie maszynowe” (Automated Machine Learning, AML). Chociaż sugeruje ono całkowitą automatyzację procesu generowania rozwiązań ML, eksperci branżowi powinni aktywnie łączyć swoją wiedzę z procesem AML w celu stworzenia doskonałych rozwiązań ML.

Analityka kierowana

Dzięki oprogramowaniu Industrial AutoML specjaliści branżowi mogą tworzyć modele ML. Prowadzi ono użytkownika przez proces opracowywania modeli, dlatego wspominamy o analityce kierowanej. Eksperci wykorzystują swoją wiedzę na temat zachowania maszyn i procesu oraz łączą ją z procesami ML działającymi w tle. Oznacza to, że oprogramowanie pomaga przetłumaczyć i zarchiwizować istniejącą i cenną wiedzę o danym projekcie, tworząc niezawodną aplikację uczenia się maszynowego poprzez inteligentne badanie istniejącej wiedzy i łączenie jej z procesami ML działającymi w tle.

Eksperci branżowi niezależnie tworzą rozwiązania do uczenia maszynowego

Rozwiązanie Industrial AutoML zasadniczo składa się z dwóch modułów do tworzenia, wykonywania i optymalizacji modelu, jak również do zarządzania modelami w trakcie ich cyklu życia.

Dzięki modułowi modelowania specjaliści branżowi mogą w oparciu o dane szkoleniowe i swoją wiedzę specjalistyczną tworzyć rozwiązania ML do wykrywania nieprawidłowości, klasyfikacji i prognozowania awarii. Wykrywanie nieprawidłowości jest unikalne w świecie opierającym się wyłącznie na „dobrych danych”, tzw. nienadzorowanym szkoleniu. Algorytm uczy się typowych schematów normalnego zachowania maszyny na podstawie danych historycznych. Podczas pracy można zidentyfikować odchylenia od tych schematów. Wykryte nieprawidłowości mogą oznaczać pracę poniżej wydajności, drobne usterki lub poważne błędy. Dzięki takiemu podejściu system potrafi wykrywać nawet takie przypadki błędów, które wcześniej nie były znane, i to gdy tylko się pojawią.

Wynikiem procesu modelowania jest całkowicie skonfigurowany potok ML, w tym model. Ponadto moduł konstruktora modeli służy do optymalizacji modeli ML w trakcie pracy. Nowe zdarzenia, takie jak niektóre sytuacje operacyjne, nieprawidłowości lub błędy, które występują podczas pracy maszyny, a nie zostały uwzględnione w danych szkoleniowych, można dodać do modeli zaledwie kilkoma kliknięciami myszy. Pozwala to na ciągłą poprawę modeli w ich całym cyklu życia.

Drugim modułem rozwiązania Industrial AutoML jest środowisko wykonawcze, które służy do uruchamiania modeli ML w chmurze lub lokalnie w aplikacji. Nie jest ono zależne od określonej platformy i automatycznie skaluje się w zależności od liczby modeli, które mają zostać wykonane. Ponadto środowisko wykonawcze przedstawia wyniki modelu w sposób zrozumiały, umożliwiając użytkownikowi podjęcie konkretnych działań, np. w celu uniknięcia błędów. Ponieważ modele są wzbogacane w trakcie swojego cyklu i powstają nowe ich warianty, zarządzanie modelami jest kolejnym komponentem środowiska wykonawczego. Moduł zarządzania zapewnia m.in. funkcje przechowywania wersji, odzyskiwania i monitorowania modelu.

Ekspercka wiedza o aplikacjach ma decydujące znaczenie

W modelowaniu automatycznym, w pierwszej kolejności w oparciu o strukturę danych szkoleniowych wykorzystywanych do analizy zadania i wiedzę o aplikacji, automatycznie wybierane są odpowiednie procedury ML. W ten sposób z danych pierwotnych powstaje do 300 funkcji dla każdej ścieżki danych, co obejmuje stosunkowo dużą przestrzeń na rozwiązanie. Następnie szkolone są alternatywne modele ML z różnymi kombinacjami funkcji, a także optymalizuje się ich hiperparametry. Wreszcie następuje sprawdzenie i integracja modeli z równolegle generowanym potokiem ML.

Wszystkie te kroki są wykonywane automatycznie. W zależności od złożoności obliczanie modeli może potrwać od kilku minut do kilku godzin. Pierwsze modele są już dostępne po kilku minutach, dzięki czemu użytkownik jest w stanie w krótkim czasie uzyskać informacje zwrotne na temat jakości modeli, a następnie może zdecydować, czy proces tworzenia modelu powinien być kontynuowany, czy przerwany.

Kluczowym czynnikiem powodzenia procesu budowania modelu jest wiedza ekspertów branżowych na temat aplikacji, która ulepsza zbiór danych szkoleniowych. Na podstawie swojej wiedzy o maszynach i procesach eksperci mogą oznaczać dane – np. pożądane i niepożądane zachowania maszyny. Na tej samej zasadzie da się znakować niektóre etapy procesu lub produkcji. Typowym przykładem jest zachowanie maszyny podczas rozruchu. Użytkownik może również tworzyć własne funkcje, które nie są zawarte w danych pierwotnych, ale pomagają ocenić proces produkcji. Zbiór danych, wzbogacony o wiedzę o aplikacji, jest zmienną wejściową do późniejszego automatycznego generowania modeli ML. Dzięki temu powstają rozwiązania ML, które są porównywalne z rozwiązaniami stworzonymi ręcznie przez analityków danych.

Pod koniec procesu modelowania użytkownik wybiera model najlepiej dopasowany do aplikacji zgodnie z określonymi kryteriami, takimi jak jakość modelu lub czas wykonania. Wybrany model można eksportować i zapisać lub zintegrować w środowisku wykonawczym.

Nacisk na know-how użytkowników w zakresie aplikacji

Dzięki rozwiązaniu Industrial AutoML firmy Weidmüller praktycznie każdy ekspert ds. aplikacji przemysłowych potrafi tworzyć i wykorzystywać modele ML do szerokiego zakresu zastosowań. Jest to pierwsze rozwiązanie, które pozwala kreować modele ML bez jakiejkolwiek wiedzy eksperckiej w zakresie nauki o danych i wyłącznie w oparciu o posiadane informacje ze swojej specjalizacji. Użytkownik wraz z indywidualną wiedzą na temat aplikacji jest tutaj kluczowy, co ostatecznie i dodatkowo przyczynia się do zwiększenia stopnia zastosowania ML w przemyśle.

Opisywane oprogramowanie stanowi innowacyjne i kompleksowe rozwiązanie do tworzenia, obsługi i optymalizacji modeli ML. Jak dotąd nie było podobnego, przeznaczonego do zastosowań przemysłowych. Zmniejsza ono złożoność procesu uczenia maszynowego i znacznie przyspiesza wdrażanie rozwiązań ML, co stanowi istotną wartość dla rozwoju przemysłu i ma zasadnicze znaczenie dla konkurencyjności gospodarki europejskiej. Opinie pierwszych użytkowników spośród producentów i operatorów maszyn pokazują, jak bardzo narzędzie Industrial AutoML jest przyjazne dla użytkownika i optymalnie dostosowane do jego potrzeb w zakresie funkcjonalności i automatycznego prowadzenia poprzez procesy.

Jakość narzędzia potwierdza też wiele zdobytych nagród, m.in.: German Excellence Prize 2020, Digital Champions, Industry 4.0 Innovation Award czy Produkt Roku 2021 magazynu "Computer & Automation".

Weidmüller
www.weidmuller.pl/pl/produkty/automatyzacja_i_oprogramowanie/automated_machine_learning/