О будущем промышленного машинного интеллекта

Д-р Duane S. Boning - профессор факультета электротехники и информатики им. Кларенса Дж. Лебеля MIT. Он также занимает должность главного заместителя директора Исследовательского института нанотехнологий (MTL) в составе MIT, а также содиректора программ Leaders for Global Operations (LGO) и Machine Intelligence for Manufacturing and Operations (MIMO). Команда tec.News недавно имела возможность побеседовать с профессором Boning и узнать у него о новых разработках в области машинного обучения, в частности, для промышленного применения.

КОНКУРЕНТНЫЕ ПРЕИМУЩЕ СТВА В ПРОМЫШЛЕННОМ СЕКТОРЕ

tec.news: Расскажите, пожалуйста, о прогрессе в сфере машинного интеллекта в контексте трансформации технологических процессов и производства?

Professor Boning: Думаю, следует начать с истории развития технологических процессов и производственных методов. 30 лет назад новые методы экономичного производства радикально изменили промышленный сектор. Эти методы были направлены на предельное сокращение складских запасов и поставку товаров только по мере необходимости, что позволяло сократить дополнительные расходы на хранение и повысить производительность и прибыльность.

В последующие 15 лет каналы поставок претерпевали существенные изменения: на смену региональным поставщикам пришли глобальные поставщики, и сформировалась серьезная зависимость от азиатского региона. Пандемия COVID-19 вскрыла существенные недостатки данной модели: произошло нарушение глобальных цепочек поставок, что привело к массовому дефициту.

Кроме того, современные разработки в сфере смыслового восприятия, экономически эффективных и мощных вычислительных технологий и программных средств могут внедряться для построения новых передовых производственных систем.

tec.news: Вы можете кратко сформулировать основные проблемы промышленного внедрения технологий машинного интеллекта?

Professor Boning: Мои исследования и мой опыт позволяют сделать вывод, что внедрение технологий машинного интеллекта в производство и технологические процессы является вызовом для среднестатистических производственных компаний, которые должны работать эффективнее конкурентов для получения предполагаемых преимуществ. Готовые стандартные технологии машинного обучения непросто реализовать в условиях конкретного предприятия, где применяются собственные уникальные процессы. Машины должны обучаться пользователем, обладающим полным пониманием проблемы, для которой требуется эффективное решение. Целью моих исследований является подготовка людей, способных правильно синтезировать специализированные знания о машинном обучении и о производственных процессах для успешного применения новых технологий. Я обучаю студентов последних курсов основам машинного обучения, даю им базовые знания, чтобы они впоследствии смогли применить их на практике для своих будущих работодателей.

На первом этапе машинного обучения необходимо определить правильные данные в качестве исходной точки. При этом любых данных недостаточно для решения конкретной задачи с применением машинного обучения. Нужны правильные данные. Существует множество алгоритмов машинного обучения, среди которых статистические методы, дерево решений, алгоритм случайного леса, нейронные сети, анализ временных рядов и т. д., которые должны применяться, исходя из практического инженерного опыта и профессиональной оценки. Другие условия, которые должны учитываться, включают в себя методы обработки исключений, структурирование данных, определение нарушений и ошибок, а также изменение модели. Изменение модели – это явление, при котором корреляция данных, выполненная однажды, постепенно нарушается по прошествии нескольких недель, месяцев или лет вследствие постепенного изменения самих производственных процессов.

Следовательно, для разработки успешной модели машинного обучения необходимо широкое понимание моделирования данных и доступ к правильным данным.

tec.news: Какова по вашему мнению роль партнерства промышленных компаний и ученых для решения обозначенных проблем?

Professor Boning: Партнерство промышленных компаний и ученых играет решающую роль для выбора реальных платформ и анализа конкретных примеров при исследовании и испытании новых подходов и гипотез. В конечном итоге, все заинтересованы в решении насущных задач.

MIT имеет долгую историю такой совместной работы, и с помощью организаций, таких как MTL, а также других центров, действующих в MIT, мы можем в равной степени использовать преимущества промышленной и академической среды, воплощая в жизнь наш девиз, MENS ET MANUS – объединение теории и практики.

tec.news: Какими вы видите перспективы машинного обучения и результаты этих программ?

Professor Boning: Машинное обучение существенно важно для дальнейшей эволюции производственных процессов. То, над чем мы сейчас работаем, позволяет заложить основы для будущего. Наши программы позволяют студентам получить необходимые теоретические знания и навыки, которые они впоследствии применят для своих работодателей с целью создания новых конкурентных преимуществ.