産業機械学習プロジェクトの開発：避けるべき3つの一般的な間違い

人工知能技術、より具体的には機械学習の使用は、革新的なツールとしてますます見られています。 しかし、機械学習とは何ですか？

興味深い説明がFrancoisCholletによって提案されました。彼の著書「Pythonを使用したディープラーニング」では、機械学習（ML）を新しい計算パラダイムとして定義しています。従来のコンピューティングでは、コンピューターにルールとデータを提供し、正しい結果を期待しています。機械学習を使用して、この順序が変更されます。私たちはデータと結果をコンピューターに提供し、ルールが答えになることを期待しています。

この新しい計算パラダイムは、日常の問題を解決する方法を大幅に変え、すべての研究分野で幅広い機会を開きます。過去数年間、機械学習は産業部門を含めて広く使用されてきました。この広い範囲と多くの優れた専門家がこの分野で働いているにもかかわらず、いくつかのよくある間違い 産業プロジェクトの開発で観察されています（そして避けるべきです）。他にもたくさんありますが、この記事はこれらの考えられる間違いのうちの3つについて説明することを目的としています。

1。基本を忘れる

インダストリー4.0、デジタル化、人工知能、機械学習、IIoTなどの概念は、今日の産業界のトップトレンドです。この種のアプローチを採用したプロジェクトは、専門家のポートフォリオで特別な注目を集めることが多く、一部の専門家は、プロジェクトが承認される可能性を高めるために、プロジェクトの設計時にこの種のソリューションを選択する傾向があります。ただし、要点は次のとおりです。このツール（機械学習またはその他）は、問題を解決するのに適切なツールですか？ これらの「最新の」ツールを選択する前に、いくつか質問する必要があります。他にもたくさんありますが、ここにいくつかリストしました：

• この問題を解決するために、より単純なアルゴリズム（PLCロジックなど）を試しましたか？
• 適切に統合された規制管理は、同様またはより優れた管理結果につながりますか？
• これらの新しいアプリケーションを機能させ続けるための適切で十分な訓練を受けたチームがありますか？
• 別の一連の高品質ツール（パレート図や因果関係図など）は、優れた洞察を得るのに十分なデータを提供しますか？

機械学習のようなツールでは優れた結果が得られない、またはこれらのツールが複雑すぎると言っているのではないことに注意してください。ただし、シンプルなソリューションは多くの場合、良い結果をもたらすことを覚えておくことが重要です。 通常、インダストリー4.0の旅の最初のステップになるはずです。

2。データ品質に注意を払っていない

現在、データを処理するための機械学習ツールが普及しています。 Googleや多くのオープンソースグループのような大企業は、優れたMLライブラリを開発してきました。これらのライブラリはインターネットで入手でき、一部は低コストまたは無料です。ただし、全体像を見ると、機械学習プロジェクトには4つの主要なフェーズが含まれます。 ：

• データの理解と準備
• このデータの処理
• 結果の分析
• データ分析に基づいて賢明に行動する

とはいえ、機械学習プロジェクトの開発プロセス全体を見ると、データの収集と準備に十分な注意を払わずに、一部の専門家が中間段階（データの処理と結果の分析）に直接進むことは珍しくありません。

機械学習プロジェクトの基本はデータです。 優れた料理の出発点が優れた食材を使用することである料理の場合と同様に、優れたMLプロジェクトを開発する際の重要な要素は、優れたデータを取得して使用することです。特に業界では、このデータを取得することは困難な作業になる可能性があります。潜在的な課題の網羅的ではないリストを以下に示します。

• 計装の欠如（データの欠落）
• 計装の不適切な設置、保守、または構成が原因で、データの精度が低下します
• 分析の誤解による誤ったデータラベル—教師あり学習タスク

これらの課題があっても、データを正しく準備することで（場合によっては産業上の必要性を伴う）、優れた結果を得るのに十分な強力なデータベースを構築することが可能です。

ですから、この重要なタスクに時間をかけてください！

3。専門家の知識を無視する

これは物議を醸す議論かもしれません。一部の専門家は、専門家の意見が必要な場合は、たとえばファジー論理を使用したエキスパートシステムを選択する必要があると言うかもしれません。反対の見方をすれば、私たちの会社が持っている膨大な知識を調査するとき 、それを無視するだけでは、プロセスを進化させるための最良の方法とは言えません。

MLプロジェクトを実装する場合、最善の方法は、ML開発者（ML技術、つまり、深層学習、自然言語処理、アンサンブル手法、クラスタリングなどに精通している人々）と適切な専門家を組み合わせた学際的なチームを編成することです。アドバイザー（プロセスの現実と解決すべき実際の問題を知っている専門家）。この学際的なチームにより、良い結果が促進されます。おそらく、より正確なソリューションが得られ、現実の世界でそれらを実装できる可能性が高くなります。

さらに進んで

大きな課題と注意書きが存在するにもかかわらず、機械学習はますます強力なツールとしての地位を示しています。 ML、および産業界の近代化と進化を目的とした他の数十のツールは、トレンドであり、自然な（そして必要な）進化のプロセスです。ただし、特に産業、医療、その他の分野の重要なプロセスでは、注意が必要です。したがって、手順をスキップしないでください。プロジェクトをできるだけ単純に保ち、データに十分注意し、専門家を忘れないでください。

ご覧のとおり、機械学習プロジェクトは短期的なものではなく、長い道のりです 。他の旅と同じように、これは単一のステップから作られ、最後のステップは最初のステップと同じ重要性を持っています。