Powrót do listy artykułów Aktualizowany: 2021-03-04
Zastosowanie modeli uczenia maszynowego może być łatwe, nawet bez wiedzy eksperckiej w zakresie nauk

Narzędzia uczenia maszynowego Industrial AutoML

 

image2020-9-28_9-29-34.png

 

 

 

 

 

 

 

 

 

 

 

 

 

Firmy, które chcą pozostać dochodowe w przyszłości, muszą wyznaczyć kierunek na przyszłość już dziś. Powinny zająć się tematem digitalizacji, ponieważ usługi oparte na danych będą decydowały o sukcesie biznesowym. W związku z tym wykorzystanie sztucznej inteligencji (AI) w przemysłowych zakładach produkcyjnych jest jednym z głównych wyzwań stojących przed operatorami maszyn i instalacji. Rozwiązania sztucznej inteligencji mogą być wykorzystywane w wielu dziedzinach, począwszy od wykrywania nieprawidłowości, ich klasyfikacji i przewidywania zużycia lub uszkodzeń, po kontrolę jakości. Jak zacząć korzystać ze sztucznej inteligencji? Dzięki narzędziu Industrial AutoML, Weidmüller zapewnia użytkownikowi odpowiednie oprogramowanie. Narzędzie Industrial AutoML umożliwia ekspertom branżowym samodzielne tworzenie modeli uczenia maszynowego (Machine Learning, ML) na podstawie własnej wiedzy o aplikacji. W ten sposób mogą wprowadzić specjalistyczną wiedzę o procesach maszynowych i zakładowych do oprogramowania. Na koniec procesu modelowania ekspert otrzymuje najbardziej odpowiedni model dla swojej aplikacji.

PPL_IIoT_Appl_Front_Tablet_3.jpg

 

 Złożony proces modelowania

 

 

Obecnie analitycy danych wykonują analizę danych i tworzą modele ML. Ten proces jest 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, na których końcu przedstawiany jest model i podawany jest wynik. Proces 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 jest jednocześnie 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.

Insight Actions_Laptop.jpg

 Demokratyzacja wykorzystania systemów samouczących

Wizja Weidmüller polega na zdemokratyzowaniu aplikacji uczenia maszynowego, tj. na udostępnieniu jej specjalistom ze wszystkich dziedzin przemysłu i zapewnieniu, 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 wiedzy specjalistycznej w dziedzinie nauki o danych. Obejmuje to również możliwie największą automatyzację modelowania, jak również 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.

PPL_IIoT_Appl_Front_Tablet_32.jpg

 Analityka kierowana

Dzięki oprogramowaniu Industrial AutoML specjaliści branżowi mogą tworzyć modele ML. Oprogramowanie prowadzi 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 maszyn poprzez sprytne badanie istniejącej wiedzy i łączenie jej z procesami ML działającymi w tle.

u-link.jpg

 Eksperci branżowi niezależnie opracowują 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 tworzyć w oparciu o dane szkoleniowe i swoją wiedzę specjalistyczną, rozwiązania ML do wykrywania nieprawidłowości, klasyfikacji i prognozowania awarii. Wykrywanie nieprawidłowości jest unikalne w świecie opierającym się wyłącznie na „dobrych danych", tak zwanym „nienadzorowanym" szkoleniu. Algorytm uczy się typowych schematów danych 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 może wykrywać nawet przypadki błędów, które wcześniej nie były znane, gdy tylko się pojawią. Wynikiem procesu modelowania jest całkowicie skonfigurowany potok ML, włączając model. Ponadto moduł konstruktora modeli służy do optymalizacji modeli ML podczas 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 całym cyklu życia. Drugim modułem rozwiązania Industrial AutoML jest środowisko wykonawcze, które służy do uruchamiania modeli ML w chmurze lub w aplikacji na miejscu. 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 cyklu życia, a zatem powstają nowe warianty modelu, zarządzanie modelem jest kolejnym komponentem środowiska wykonawczego. Zarządzanie modelem zapewnia między innymi funkcje przechowywania wersji modelu, odzyskiwania modelu i monitorowania modelu.

u-control insta.jpg

 Ekspercka wiedza o aplikacjach ma decydujące znaczenie

W modelowaniu automatycznym, w pierwszej kolejności w oparciu o strukturę danych szkoleniowych wykorzystywanych do analizy zadania i wiedzy 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 optymalizowane są ich hiper parametry. 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 może uzyskać informacje zwrotne na temat jakości modeli w krótkim czasie, a następnie może zdecydować, czy proces tworzenia modelu powinien być kontynuowany czy przerwany. Kluczowym czynnikiem powodzenia procesu budowania modelu jest wiedza na temat aplikacji ekspertów branżowych, która ulepsza zbiór danych szkoleniowych. Na podstawie swojej wiedzy o maszynach i procesach eksperci mogą oznaczać dane, np. oznaczać w danych pożądane i niepożądane zachowania maszyny. Na tej samej zasadzie można oznakować 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 one ocenić proces produkcji. Zbiór danych wzbogacony o wiedzę o aplikacji jest zmienną wejściową dla 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.

2Model_Builder_2-CMS-1.jpg

Nacisk kładziony jest na know-how użytkowników w zakresie aplikacji

Dzięki rozwiązaniu Industrial AutoML firmy Weidmüller praktycznie każdy ekspert ds. aplikacji przemysłowych, może tworzyć i wykorzystywać modele ML do szerokiego zakresu zastosowań. Jest to pierwsze rozwiązanie, które pozwala tworzyć modele ML bez jakiejkolwiek wiedzy eksperckiej w zakresie nauki o danych i wyłącznie w oparciu o własną wiedzę ze swojej dziedziny. Użytkownik wraz ze swoją wiedzą na temat aplikacji jest w centrum uwagi, co ostatecznie i dodatkowo przyczynia się do zwiększenia adopcji ML w przemyśle. Oprogramowanie to jest kompleksowym rozwiązaniem do tworzenia, obsługi i optymalizacji modeli ML, które jak dotąd nie było dostępne do zastosowań przemysłowych w swojej obecnej postaci. Zmniejsza ono złożoność procesu uczenia maszynowego i znacznie przyspiesza wdrażanie rozwiązań ML co stanowi istotną wartość dla rozwoju przemysłu i ma zasadnicze znaczenie dla powodzenia gospodarki europejskiej. Opinie pierwszych użytkowników pilotażowych wśród 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.

 

Jak to działa, najprościej tłumaczy video. Zobacz.

Więcej informacji na stronie producenta

 

 

 

Autor:
Weidmuller
Dodał:
WEIDMÜLLER Sp. z o.o.

Czytaj także