לימוד מכונה בתעשייה

סקר שנערך לאחרונה על ידי MIT הראה כי פחות מרבע (23%) מהעסקים אימצו רמה כלשהי של AI או לימוד מכונה, ומתוכם רק 5% משתמשים בהם בהרחבה. נדרש זמן כדי להבין את הטכנולוגיות הללו – הבנה רחבה יותר ולקבלן.

לימוד מכונה הוא עדיין משהו שאנשים מדברים עליו, במקום להשתמש בו בגדול, אבל הפוטנציאל הוא מפתיע וברגע שארגונים יראו את היתרונות הגדולים והמוחשיים שהוא יכול להביא, הוא יוטמע במספרים גדולים בהרבה.

ניתן לראות כבר את השינוי במגזרים ספציפיים כמו אבטחת סייבר, בריאות, קמעונאות, פיננסים ואנרגיה המיישמים את הטכנולוגיה. יישומי AI כוללים ניתוח סיכונים וזיהוי הונאות בחברות שירותים פיננסיים, תחזיות תחזוקה לציוד בתעשייה ותכנון תחזית מלאי עבור חנויות קמעונאיות.

למידה ממוחשבת מיושמת בעיקר בתחומי השירות והתמיכה בלקוחות, בעיקר הודות להשפעה הישירה שיש לה על חוויית הלקוח. החברות יכולות לשפר את יכולתן לחזות את צרכי הלקוח ולא להגיב על דרישות וציפיות המשתנות במהירות.

הידע והמידע הם נכסים קריטיים עבור כל מפעל ייצור תעשייתי, הם מאפשרים לעסקים לבדל עצמם מהמתחרים ולהתחרות ביתר יעילות. בימינו המידע, הטכנולוגיה, התקשורת והייצור מתמזגים לאמצעי ייצור אוטונומיים יותר ויותר.

חברות האנליסטים IDC ופורסטר (Forrester), מעריכות שצפוי גידול משמעותי בשימוש בכלי ניתוח נתונים אנליטיים בעידן הייצור המתקדם 4.0.

הייצור המתקדם או Industry 4.0 מתבסס על שלושה עמודי תווך המחוברים ביניהם:
● תכנון ממוחשב של מוצרים בטכנולוגיה חכמה.
● חיישנים חכמים, אינטרנט של דברים ואספני נתונים.
● אנליזה, בקרה ומדעי נתונים.

בינה מלאכותית לעומת מכונה לומדת – ידע מול תבונה

לפני שנסתכל על האופן בו משתנה העולם סביבנו, נבהיר את ההבדל בין שני מרכיבים מרכזיים לשינוי.

בינה מלאכותית (AI) מוגדרת כתוכנית מחשב המסוגלת לבצע משימות הדורשות בדרך כלל אינטליגנציה אנושית, כגון זיהוי דיבור, תרגום משפה לשפה או קבלת החלטות. זה כרוך, כמובן, בצעדים או שינוי על מנת להשיג איזה סוג של מטרה.
AI היא בהחלט לא תחום חדש בטכנולוגיה, אבל היא בילתה שנים ארוכות במדבר לאחר כישלונות חוזרים ונשנים לספק הרבה מההבטחות שלה. עכשיו, גישות חדשות מתחילים לשאת פירות, ו-AI מוזכר על ידי חברות הטכנולוגיה המנסות להוסיף ערך נוסף למוצרים שלהם.

לימוד מכונה (Machine Learning) הוא סוג או הרחבה של בינה מלאכותית (AI) המשתמשת באלגוריתמים של למידה עצמית לגלות תובנות חדשות ודפוסי נתונים. היא משתמשת בניתוח סטטיסטי וניבוי, ללא כל דרישות תכנות. כתוצאה מכך, היא מאפשרת פעולות תעשייתיות כדי לשפר את הניטור והחיזוי של כישלון או בעיות פוטנציאליות, על ידי ניתוח בו זמנית של נתונים ממקורות מרובים והתאמת התוצאות מול מה שנחשב כדפוס התנהגות נורמלי, כדי לקבוע חריגות.

לימוד מכונה הוא סוג של AI שבו מערכות מחשב יכולות למעשה ללמוד, לשפר ולהתפתח כאשר נחשפים נתונים חדשים נוספים. הם לא צריכים להיות מתוכנתים במובן המסורתי. הם מבחינים במידע חדש באמצעות ידע קיים, יוצרים קשרים, משלבים רעיונות, ועוקבים אחר מסלול של מחשבה בדיוק כמו בני האדם.

השימוש בלימוד מכונה (Machine Learning) מבוסס בינה מלאכותית (AI) מקבל תשומת לב רבה בימים אלה, אבל כמו האינטרנט של דברים (IoT) ומחשוב ענן לפניו, הם מלווים בהרבה הייפ ושיווק שמתחיל להסתיר מהם באמת ומה היתרונות הפוטנציאליים שיכולים להיות להם עבור העסקים.

מחשב לומד מחפש שינויים בדפוסי הנתונים

זו רמה של ידע ותובנה בפעולות תעשייתיות המאפשרת למנהלי המפעלים להשיג שליטה רבה יותר על הסביבה עם יכולת גדולה יותר לחזות מתי עלול להתרחש כשל בציוד, המאפשר להם ליזום תיקון מראש או ביצוע של תחזוקה לפני הכישלון.

היתרון של מחשב לומד על פני השיטות המסורתית לניתוח היא ברציפות המעקב אחר הסביבה, הקלטת כל הנתונים ושימוש בנתונים אלה לצורך התייחסות במודלים עתידיים. זה מאוד מועיל לניבוי של תחזוקה נדרשת באמצעות ניתוח רגרסיה של נתונים שהתקבלו מחיישנים מרוחקים, חיישנים ניידים, התקנים ורשתות מחשבים.

ניתוח הנתונים משמש לקביעה האם יתרחש כשל, מתי הוא עלול להתרחש ומה צריך לעשות כדי למנוע את הכשל או כישלון. יש הרבה ידע ותובנה שניתן לקבל ממערכות למידת מכונה ותועלת תפעולית רבה מן השימוש בהם.

להלן כמה צעדים שכדאי לנקוט כאשר שוקלים שילוב מחשב לומד בתעשייה כחלק מניהול המידע הכולל בה:

● דע איזה מידע נדרש ממערכת המידע
איזה מידע חשוב לדעת, מה מצפים ללמוד מהנתונים ומה ה-"סיפור" שהנתונים יספרו לנו? חייבים לדעת מה רוצים ללמוד מהנתונים, כדי לדעת מה הנתונים שצריך לאסוף.

● אמת את הנתונים ואת מקורות הנתונים
אחד המחסומים הנוכחיים הגדולים ביותר לאימוץ למידת המכונה הוא איכות הנתונים, שכן נתונים גרועים יובילו לתוצאות ללא ערך ויכולים למעשה להגדיל את הסיכון. לכן, הצעד הראשון של העסק לקראת אוטומציה של החלטות תפעוליות חייב להיות סביב טיוב הנתונים ואוטומציה של ניהול הנתונים, שכן אין להשתמש בהשקעה במערכות אוטומטיות אם הנתונים המזינים אותם אינם עקביים, או שהם פגומים. ככל שהנתונים יהיו יותר מדויקים, יתאפשר ניבוי טוב יותר של התוצאות מתי ואיפה אפשרי כשל. לכן נדרש לאמת את הנתונים ואת מקורות הנתונים המשמשים להבטיח את הרמות הגבוהות ביותר של דיוק נתונים עבור ניתוחם.

● שקול את טכניקות הלמידה/הניתוח
ישנן טכניקות שונות שניתן ליישם למצבים שונים. לדוגמה, שימוש ברגרסיה כאשר חיישנים נמצאים במקום ואיסוף הנתונים הוא רציף. סיווג מקורות הנתונים לפי טרנזקציות או הודעות נכנסות בדוא"ל.

● בחר את מערכת מחשב הלמידה המתאימה
כאשר בוחרים בסוג של מערכת המחשב הלומד, יש לשקול פונקציונליות ויכולת פעולה הדדית עם מערכות אחרות. חשוב להגדיר את המקום שממנו נתונים יאספו במשותף. חשוב לתכנן מראש ולדעת איך רוצים שמערכת הלמידה תשתלב באינטראקציה עם מערכת מידע הארגונית.

●שיפור מתמשך
לאחר שנבחר מחשב הלמידה, הוא מיושם ופועל ומתקבלות התוצאות המתאימות לציפיות, זהו הזמן להתחיל בתהליך של שיפור מתמשך לתוכנית ולתוצאות. סוף פרויקט ההקמה הוא תחילתו של תרגול מתמשך לשיפור ניבוי התוצאות..