Ipari szintű gépi tanulás: amit a mérnököknek tényleg tudniuk kell
A mesterséges intelligencia rendszeresen címlapra kerül az ipari szaklapokban, és a gépi tanulás (machine learning) mára ennek leginkább vitatott elemévé vált. A marketinges ígéretek és a gyakorlati valóság között azonban a minőségbiztosítási mérnököknek gyakran nehézséget okoz annak megkülönböztetése, hogy mi alkalmazható már ma, és mi tartozik még a jövőbe. Ez a cikk egy gyakorlati áttekintést nyújt: mi is valójában a gépi tanulás, mit nyújt a minőségellenőrzés számára, és milyen feltételek mellett érdemes bevezetni ipari környezetben.
Mi is az a gépi tanulás – és mi nem az
A gépi tanulás olyan algoritmusok összességét jelenti, amelyek képesek az adatokból a változók közötti összefüggéseket megtanulni anélkül, hogy azokat egy embernek kifejezetten programoznia kellene. A kézzel kódolt szakértői szabályokkal ellentétben egy gépi tanulási modell automatikusan alkalmazkodik a képzési adatokban fellelhető mintázatokhoz.
Három fő tanulási csoport létezik. Az’felügyelt tanulás (regresszió, véletlenszerű erdők, neurális hálózatok) címkézett történeti adatokat igényel — például olyan alkatrészekről szóló méréseket, amelyekhez «megfelelő / nem megfelelő» minősítés társul. Az’felügyelet nélküli tanulás (klaszterezés, anomália-felismerés) előzetes címkézés nélkül keresi a rejtett struktúrákat. Az’megerősítéses tanulás, amely ipari szinten még nem terjedt el széles körben, egy viselkedés kísérletek és jutalmak segítségével történő optimalizálását jelenti.
A gépi tanulás nem egy varázslatos «fekete doboz», amely helyettesíti a mérnök ítélőképességét. A modellek rosszul általánosítanak a betanítási területen kívülre, felerősítik az adatokban jelen lévő torzításokat, és folyamatos karbantartást igényelnek. Az a reflex, hogy „betápláljuk az algoritmust, és várjuk az eredményeket”, az iparban a gépi tanulási projektek kudarcának fő oka.
Konkrét alkalmazások a minőségellenőrzés területén
Termelési környezetben a gépi tanulás négy területen találja meg a legmeggyőzőbb alkalmazási területeit.
Valós idejű rendellenesség-felismerés
A rendellenesség-felismerő algoritmusok (Isolation Forest, autoencoderek) elemzik az érzékelőkből származó adatáramokat, hogy felismerjék a szokatlan viselkedésmintákat, még mielőtt a hiba fizikailag megnyilvánulna. Egy szerelősoron alkalmazva ez a megközelítés jelentősen csökkentheti a nem megfelelő alkatrészek arányát, mivel riasztást vált ki jóval azelőtt, hogy a hagyományos ellenőrzési határértékek (UCL/LCL) túllépésre kerülnének.
A szabályszegés előrejelzése
A folyamatadatok (hőmérséklet, nyomás, vágási sebesség) és a végső ellenőrzés eredményeinek kombinálásával egy felügyelt modell még azelőtt meg tudja becsülni annak valószínűségét, hogy egy alkatrész nem felel meg a követelményeknek, mielőtt az eléri az ellenőrző állomást. Ez lehetővé teszi, hogy az ellenőrzést a kockázatos tételekre összpontosítsák, és így csökkentsék az ellenőrzés összköltségét.
Automatizált szemrevételezés
A konvolúciós neurális hálózatok (CNN) mára már az emberi szemnél is jobb teljesítményt nyújtanak a felületi hibák észlelésében, feltéve, hogy rendelkezésre áll egy kellően széles körű és kiegyensúlyozott képkészlet. Ez a technológia már kiforrott, és széles körben alkalmazzák az autóiparban, az elektronikai iparban és az élelmiszeriparban.
A kiváltó okok elemzése
Az olyan módszerek, mint a SHAP-értékek (SHapley Additive exPlanations), lehetővé teszik egy gépi tanulási modell előrejelzéseinek magyarázatát azáltal, hogy azonosítják a legnagyobb hatással bíró változókat — így közelebb hozva a gépi tanulási megközelítést az Ishikawa-diagram vagy a klasszikus többváltozós regressziós elemzés logikájához.
A siker feltételei ipari környezetben
A gépi tanulás termelésbe való bevezetése nem történhet rögtönzéssel. Számos előfeltételnek feltétlenül meg kell felelni.
Az adatok minősége fontosabb, mint az algoritmus kifinomultsága. Egy egyszerű modell, amelyet saját, pontosan címkézett és reprezentatív adatokon tanítottak be, szinte mindig felülmúlja a hiányos vagy rosszul strukturált adatokkal táplált mély neurális hálózatot. Az adatgyűjtésbe, -tisztításba és -kezelésbe történő befektetés a siker elsődleges feltétele.
A klasszikus statisztikai módszerek továbbra is az alapvető irányadók. Egy gépi tanulási modell bevezetése előtt ajánlatos először a bevált eszközöket teljes mértékben kihasználni: SPC (statisztikai folyamatirányítás), MSA (mérőrendszer-elemzés), DOE (kísérlettervezés). A gépi tanulás kiegészíti ezeket a módszereket, de nem helyettesíti őket.
A modell validálása és nyomon követése kötelező. Egy edzés során jól teljesítő modell gyorsan elavulhat, ha a folyamat változik – beszállítóváltás, a berendezés eltérése, új termékcsalád bevezetése. A projekt tervezési szakaszában már be kell építeni egy rendszeres újraértékelési eljárást, hasonlóan a mérőeszközök újrakalibrálásához.
Az elfogadhatóság határozza meg a bevezetés sikerét. Az a kezelő vagy minőségbiztosítási mérnök, aki nem érti, miért ad ki a modell riasztást, nem fog bízni benne. Ahhoz, hogy a technológiát valóban bevezessék a termelésbe, elengedhetetlen, hogy magyarázható modelleket részesítsünk előnyben, vagy értelmezhetőségi eszközökre támaszkodjunk.
Beépítés a Lean Six Sigma folyamatba
A gépi tanulás természetesen beépül a fázisba Mérték és Elemzés a DMAIC-ciklus részeként. Lehetővé teszi olyan komplex adathalmazok feltárását, amelyek feldolgozása a hagyományos eszközökkel nehézségekbe ütközne — több száz folyamatváltozó, nagyfrekvenciás érzékelők, heterogén adatok. Ez az elem az elemzés felgyorsításának eszközévé válik, de nem helyettesíti a Six Sigma-ra jellemző módszertani szigorúságot.
A minőségbiztosítási csapatok számára nem az a cél, hogy adatelemzőkké váljanak, hanem hogy tudják, milyen kérdéseket kell feltenni az adatoknak, kiválasszák a problémához legmegfelelőbb eszközöket, és a gyakorlati tapasztalatok alapján értelmezzék az eredményeket. Pontosan ez a minőségbiztosítási kultúra és az analitikai kompetencia kombinációja határozza meg a gépi tanulás valódi értékét az ipari környezetben.

