16-01-20

Machine Learning en Artificial Intelligence in 3 stappen implementeren in de industrie

Technologie gaat vooruit, nieuwe algoritmes worden ontwikkeld en nieuwe uitdagingen worden met de dag volbracht. Machine Learning (ML) en Kunstmatige Intelligentie (KI) hebben hier veel mee te maken en dat is cool, en waarschijnlijk ook de reden waarom je deze post leest! Veel van die nieuwe ontwikkelingen vinden plaats op het niveau van toponderzoek door wetenschappers die in grotten zijn opgesloten of door academische onderzoekers in laboratoria. Ja, het is geweldig dat een computer verschillende soorten van het dierenrijk kan classificeren, het is perfect dat het kan communiceren met natuurlijke taal en ons kan helpen onze lichten uit te doen, maar is er meer? De industrie heeft wat van die actie nodig; dus hier zijn de drie stappen om Machine Learning te implementeren in uw toepassingen die Kunstmatige Intelligentie in uw industrie kunnen brengen.

Stap 1: Numeriseer
Machine Learning werkt met getallen; computers werken met getallen; en zo ook uw applicaties. Een proces kan worden voorgesteld door inputs en outputs. De uitdaging is om die inputs en outputs om te zetten in getallen. En getallen kunnen creatief zijn! Je kunt een foto beschrijven door hem op te splitsen in pixels en vervolgens de kleur van de pixel uit te drukken met behulp van de kleurencode Rood, Groen en Blauw. Je kunt een wijn classificeren naar zijn alcoholgehalte en pH, een persoon naar zijn lengte, een geluid naar zijn frequentie. Het is niet altijd gemakkelijk! Een “moeilijk” proces of een “ergonomisch” ontwerp definiëren met een getal kan lastig zijn, maar zolang je parameters kunt beschrijven met getallen, zal de KI het patroon vinden.

Als je het een wiskundige vraagt, zal hij zeker iets zeggen in de trant van “alles zijn getallen”. Dit is ook precies waar het succes van Machine Learning op gebaseerd is. Dus, denk nog eens na over het meest voorkomende proces dat je in je leven doet, kunnen de inputs en outputs ervan worden uitgedrukt met getallen? Waarschijnlijk wel.

Stap 2: Verbind informatie
“Een halve leugen is niet beter dan een leugen”. Hetzelfde geldt voor Machine Learning; halve informatie is niet beter dan geen informatie. In het vorige punt werd het belang genoemd van het omzetten van de inputs en outputs van een proces naar getallen. Nu ligt de nadruk op wat die inputs en outputs moeten zijn.

Voor ons mensen met een complexe geest is het categoriseren van informatie niet zo noodzakelijk. Het onderbewustzijn zal altijd de gaten vullen, maar dat geldt niet voor een machine. Stel je voor dat je een voorspellend algoritme traint voor de productiviteit van een team in een fabriek. U kunt aan het proces inputs toevoegen zoals het aantal producten dat voor die dag nodig is en het aantal beschikbare arbeiders; maar het kan evengoed cruciale informatie zijn zoals welke dag van de week het is. Identificeer dus altijd de vereiste informatie voor een specifiek proces en verstrek die als onderdeel van het proces. Als de machine uiteindelijk aanvullende informatie krijgt, zal ze die zelf wel uitzoeken.

Stap 3: Train uw model
We zijn dan wel bij ons derde en laatste punt, maar dit is nog maar het begin. Aangezien de laatste twee stappen vlekkeloos zijn verlopen, moet er nog heel wat werk worden verzet tot er goede resultaten zijn. Machine Learning processen zijn als een ijsberg; wat u ziet is slechts een fractie van de inspanningen en pogingen voor succes. Er is geen geheim aan; wees geduldig, probeer meerdere methodes en herbekijk de vorige stappen steeds opnieuw tot u tevreden bent met de resultaten. Helaas is er geen magisch recept voor dit proces, nog niet tenminste. Maar de resultaten zijn altijd de moeite waard.

Tot slot, (of voor degenen die direct naar het laatste deel zijn gegaan) de belangrijkste stap voor het implementeren van Machine Learning en Kunstmatige Intelligentie in een Industriële omgeving, is het in perspectief plaatsen van processen en deze te veranderen naar eenvoudige systemen met numerieke inputs en outputs. Als je dat doet, blijft er een hobbelige en moeilijke weg over naar automatisering, kunstmatige intelligentie en technologische vooruitgang.

Deel deze blog

Vasos
Arnaoutis

Vasos is afgestudeerd in MSc Course of Systems and Control aan de TU Delft en heeft een Bachelor in Mechanical Engineering behaald aan de Universiteit van Surrey, UK. Momenteel studeert hij voor zijn doctoraat terwijl hij fulltime werkt als Research Engineer bij FIP-AM@UT. Zijn ervaring met AI in de industriële sector omvat optimalisatie, kwaliteitscontrole, procescontrole, automatisering van engineeringontwerpen en meer.