揭开机器学习的神秘面纱

机器学习 (ML) 对于不熟悉它的任何人来说似乎都难以理解。对 ML 是什么以及它对制造商意味着什么缺乏了解……

机器学习 (ML) 对不熟悉它的人来说似乎难以理解。对 ML 是什么以及它对制造业意味着什么缺乏了解，有时会引发关于准备接管人类的智能机器的古怪想法。但基本上，ML 是信息技术 (IT) 发展的重大进步。它的工作方式及其局限性必须被那些想要使用它来为其组织充分受益的人充分理解。

诚然，ML 需要使用特定的统计和 IT 技能，而在制造业中很少有人具备或需要这些技能。但它的原理非常简单——甚至可以直观地掌握。对我来说，正是我曾经认为是一种相当普通的语言翻译在线服务——即谷歌翻译——帮助我实现了机器学习的变革潜力。

简而言之，语言翻译软件长期以来一直基于编程词典、语法规则及其众多例外。这种方法需要付出相当大的努力。

从“基于规则”到“数据驱动”流程

·  新方法源于一个更简单的想法：不要试图从头开始定义规则和词汇表，让软件“发现”它们。从国际组织收集了数百万已翻译的页面。

·  当用户提交文本进行翻译时，软件会将其分割成基本元素，然后在翻译页面中搜索相同或相似的相同语言。

·  最有可能的翻译被提取出来推荐给用户。

因此，在数据中发现的相关统计模式取代了翻译规则。它们不必经过艰苦的编程，而是由软件自动“学习”。与传统方法相比，这种方法的成本节约价值显而易见，尤其是因为最终翻译的质量通常与之相当。

在制造业中，生产率的提高伴随着质量的大幅提升。任何曾经指定过自动化流程的人都知道，预测软件在生产中必须面对的所有可能情况是多么复杂。即使涉及职能领域专家也是如此。该软件的功能规则基于其本身依赖于有限数量的观察的假设。但事实证明，事实往往比预期的要复杂得多，这意味着自动化最终不是最理想的，或者软件最终需要进行昂贵的修正。

另一方面，机器学习使用所有可用数据来吸收和发展自己，无论数量如何。这意味着模式或用例被排除在外的风险是有限的。

人类必须继续负责

该机器还避免了人类智能的“认知偏差”，这些偏差会转化为对可用数据的不完美选择和不恰当的决策。

一个很好的例子是银行收到的贷款请求的自动处理。算法会查看借款人的关键信息以及偿还信息。然后，它突出了借款人资料与违约风险之间的可能关系。应用于新的贷款请求，该算法将预测借款人是否会偿还贷款，准确度水平被认为是足够的。这意味着消除了由偏见或银行操作员的情绪引发的错误决定的风险。

尽管如此，人类仍然是最终的决策者，这一点至关重要。

首先，因为软件显然不完美。 它受人类设置的控制。例如，它可能已经过优化以避免“误报”（贷款被授予将违约的借款人），因此倾向于拒绝某些贷款申请。因此，用户必须检查系统的推荐是否合法，并在必要时拒绝它们。这将允许系统学习新的标准，以便算法下次接受来自类似配置文件的申请。

另一个关键原因是，只有人类才能确保符合道德标准，尤其是当决定涉及个人权利时。

数据 über alles

必须选择和建立一个算法模型，该模型适合所涉及的制造过程和维持它的数据类型。自动化性能将取决于满足两个要求：数据质量和训练集代表性，这意味着当基于无偏观察执行 ML 时，自动化将更加高效。

访问数据对于机器学习的成功至关重要，因为最终，任何复杂程度的算法都无法弥补糟糕的数据集。

随着计算机和数字化的日益强大，利用数据驱动的方法来设计更高效的自动化制造流程已成为可能并且可能必不可少。除了所需的科学技能外，这些解决方案的成功还在于收集相关数据并对其操作进行人工监控。机器学习倾向于消除任意行为。我们有责任确保它不会用不恰当的过度概括来代替这些。

由 Jean-Cyril Schütterlé，Sidetrade 产品和数据科学副总裁