산업용 기계 학습 프로젝트 개발:피해야 할 3가지 일반적인 실수

인공 지능 기술, 특히 기계 학습의 사용은 점점 더 혁신적인 도구로 여겨져 왔습니다. 하지만 기계 학습이란 무엇입니까?

Francois Chollet이 흥미로운 설명을 제안했습니다. 그의 책 "Deep Learning with Python"에서 그는 기계 학습(ML)을 새로운 계산 패러다임으로 정의합니다. 기존 컴퓨팅에서 우리는 컴퓨터에 규칙과 데이터를 제공하고 올바른 결과를 기대합니다. 기계 학습을 사용하여 이 순서가 변경됩니다. 우리는 데이터와 결과를 컴퓨터에 제공하고 규칙을 답으로 기대합니다.

이 새로운 컴퓨팅 패러다임은 일상적인 문제를 해결하는 방식을 크게 바꾸고 모든 연구 분야에서 광범위한 기회를 열어줍니다. 지난 몇 년 동안 기계 학습은 산업 부문을 포함하여 널리 사용되었습니다. 이 넓은 범위와 이 분야에서 일하는 많은 훌륭한 전문가들에도 불구하고 몇 가지 일반적인 실수 산업 프로젝트 개발에서 관찰되었으며 피해야 합니다. 다른 많은 것들이 있지만 이 기사에서는 이러한 가능한 실수 중 세 가지를 논의하는 것을 목표로 합니다.

1. 기본 사항을 잊어버림

인더스트리 4.0, 디지털화, 인공 지능, 기계 학습 및 IIoT와 같은 개념은 오늘날 산업계의 주요 트렌드입니다. 이러한 접근 방식을 사용하는 프로젝트는 전문가의 포트폴리오에서 특별한 관심을 받는 경우가 많으며 일부 전문가는 프로젝트 승인 가능성을 높이기 위해 프로젝트 설계 중에 이러한 종류의 솔루션을 선택하는 경향이 있습니다. 그러나 요점은 이 도구(머신 러닝 또는 기타 도구)가 문제를 해결하는 데 올바른 도구입니까?입니다. 이러한 "현대적" 도구를 선택하기 전에 스스로에게 몇 가지 질문을 해야 합니다. 여기에 몇 가지를 나열했지만 다른 많은 항목이 있습니다.

• 이 문제를 해결하기 위해 더 간단한 알고리즘(예:PLC 로직)을 시도한 적이 있습니까?
• 잘 통합된 규제 통제가 유사하거나 더 나은 통제 결과로 이어집니까?
• 이러한 새 애플리케이션을 계속 작동시킬 수 있는 적절하고 잘 훈련된 팀이 있습니까?
• 파레토 차트 또는 인과 관계 다이어그램과 같은 다양한 품질 도구 세트가 좋은 통찰력을 얻기에 충분한 데이터를 제공할까요?

기계 학습과 같은 도구가 훌륭한 결과를 제공할 수 없거나 이러한 도구가 너무 복잡하다는 말은 아닙니다. 그러나 간단한 솔루션이 종종 좋은 결과를 가져온다는 점을 기억하는 것이 중요합니다. 일반적으로 Industry 4.0 여정의 첫 번째 단계가 되어야 합니다.

2. 데이터 품질에 주의를 기울이지 않음

이제 데이터 처리를 위한 기계 학습 도구가 널리 보급되었습니다. Google과 같은 대기업과 많은 오픈 소스 그룹에서 훌륭한 ML 라이브러리를 개발했습니다. 이러한 라이브러리는 인터넷에서 사용할 수 있으며 그 중 일부는 저렴하거나 무료입니다. 그러나 큰 그림을 보면 모든 기계 학습 프로젝트에는 네 가지 주요 단계가 포함됩니다. :

• 데이터 이해 및 준비
• 이 데이터 처리
• 결과 분석
• 데이터 분석을 바탕으로 현명한 행동

하지만 머신러닝 프로젝트를 개발하는 전 과정을 살펴보면, 데이터 수집과 준비에 충분한 주의를 기울이지 않고 바로 중간 단계(데이터 처리 및 결과 분석)로 넘어가는 전문가도 드물지 않다.

머신 러닝 프로젝트의 기초는 데이터입니다. 좋은 요리의 출발점이 좋은 재료를 사용하는 것이 요리와 마찬가지로 좋은 ML 프로젝트를 개발할 때 필수 요소는 좋은 데이터를 확보하고 사용하는 것입니다. 특히 업계에서 이 데이터를 얻는 것은 어려운 작업일 수 있습니다. 잠재적인 문제의 전체 목록은 다음과 같습니다.

• 도구 부족(데이터 누락)
• 부적절한 설치, 유지 관리 또는 기기 구성으로 인한 데이터 정확도 저하
• 분석에 대한 오해로 인한 잘못된 데이터 레이블 - 지도 학습 작업

이러한 문제에도 불구하고 데이터를 올바르게 준비하면(때로는 산업적 적합성) 훌륭한 결과를 얻을 수 있을 만큼 충분히 강력한 데이터베이스를 구축할 수 있습니다.

따라서 이 중요한 작업에 시간을 할애하십시오!

3. 전문가의 지식 무시

이것은 논란의 여지가 있는 주장일 수 있습니다. 일부 전문가는 예를 들어 전문가의 의견을 원하면 퍼지 논리를 사용하는 전문가 시스템을 선택해야 한다고 말할 수 있습니다. 반대의 관점에서 우리 회사가 보유하고 있는 방대한 지식을 조사할 때 , 그냥 무시하는 것은 프로세스를 발전시키는 가장 좋은 방법으로 들리지 않습니다.

ML 프로젝트를 구현할 때 가장 좋은 방법은 ML 개발자(딥 러닝, 자연어 처리, 앙상블 방법, 클러스터링 등 ML 기술에 대해 잘 알고 있는 사람)와 적절한 전문가를 결합한 다학문 팀을 구성하는 것입니다. 고문(프로세스 현실과 해결해야 할 실제 문제를 알고 있는 전문가). 이 다학제 팀과 함께 좋은 결과가 촉진됩니다. 더 정확한 솔루션을 얻을 수 있으며 실제 세계에서 구현할 수 있는 가능성이 더 높아집니다.

더 나아가기

존재하는 큰 도전과 경고에도 불구하고 기계 학습은 점점 더 강력한 도구로 스스로를 보여주고 있습니다. ML과 산업 세계를 현대화하고 발전시키는 것을 목표로 하는 수십 가지 다른 도구는 추세이자 자연스러운(그리고 필요한) 진화 과정입니다. 그러나 특히 산업, 의료 및 기타 분야의 중요한 공정에서는 주의를 기울여야 합니다. 따라서 단계를 건너뛰지 마십시오. 프로젝트를 가능한 한 단순하게 유지하고 데이터를 잘 관리하고 전문가를 잊지 마십시오.

보시다시피 기계 학습 프로젝트는 단기적인 것이 아니라 긴 여정입니다. . 여느 여행과 마찬가지로 이 여정도 한 단계로 이루어지며 마지막 단계는 첫 번째 단계와 동일한 중요성을 가집니다.