Mengembangkan Proyek Pembelajaran Mesin Industri:3 Kesalahan Umum yang Harus Dihindari

Penggunaan teknik kecerdasan buatan, dan lebih khusus pembelajaran mesin, semakin dilihat sebagai alat revolusioner. Tapi apa itu pembelajaran mesin?

Deskripsi menarik dikemukakan oleh Francois Chollet. Dalam bukunya, "Deep Learning with Python," ia mendefinisikan pembelajaran mesin (ML) sebagai paradigma komputasi baru. Dalam komputasi konvensional, kami menyediakan komputer aturan dan data, dan kami mengharapkan hasil yang benar. Menggunakan pembelajaran mesin, urutan ini diubah. Kami memberikan data dan hasilnya ke komputer, dan mengharapkan aturan sebagai jawaban.

Paradigma komputasi baru ini secara signifikan mengubah cara kita memecahkan masalah sehari-hari dan membuka berbagai peluang besar di semua bidang studi. Dalam beberapa tahun terakhir, pembelajaran mesin telah digunakan secara luas, termasuk di sektor industri. Meskipun cakupannya luas dan memiliki banyak profesional hebat yang bekerja di bidang ini, beberapa kesalahan umum telah diamati (dan harus dihindari) dalam pengembangan proyek industri. Meskipun masih banyak lagi, artikel ini bertujuan untuk membahas tiga kemungkinan kesalahan tersebut.

1. Melupakan Dasar-dasarnya

Konsep seperti Industri 4.0, digitalisasi, kecerdasan buatan, pembelajaran mesin, dan IIoT menjadi tren teratas di dunia industri saat ini. Proyek dengan pendekatan semacam ini sering mendapat perhatian khusus dalam portofolio profesional, dan beberapa profesional cenderung memilih solusi semacam ini selama desain proyek untuk meningkatkan peluang agar proyek mereka disetujui. Tapi intinya adalah:apakah alat ini (pembelajaran mesin atau lainnya) yang tepat untuk memecahkan masalah Anda? Anda perlu bertanya pada diri sendiri beberapa pertanyaan sebelum memilih alat "modern" ini. Saya telah mencantumkan beberapa di sini, meskipun ada banyak yang lain:

• Apakah saya sudah mencoba algoritma yang lebih sederhana untuk menyelesaikan masalah ini (seperti logika PLC)?
• Apakah kontrol regulasi yang tersinkronisasi dengan baik menghasilkan hasil kontrol yang serupa atau lebih baik?
• Apakah kami memiliki tim yang tepat dan terlatih untuk menjaga agar aplikasi baru ini tetap berfungsi?
• Apakah serangkaian alat kualitas yang berbeda (seperti bagan pareto atau diagram sebab-akibat) akan memberikan data yang cukup untuk mendapatkan wawasan yang baik?

Perhatikan bahwa saya tidak mengatakan bahwa alat seperti pembelajaran mesin tidak dapat memberikan hasil yang bagus, atau alat ini terlalu rumit. Namun, penting untuk diingat bahwa solusi sederhana sering kali memberikan hasil yang baik dan biasanya harus menjadi langkah pertama untuk perjalanan Industri 4.0.

2. Tidak Memperhatikan Kualitas Data

Alat pembelajaran mesin untuk memproses data sekarang tersebar luas. Perusahaan besar seperti Google dan banyak grup open source telah mengembangkan perpustakaan ML yang hebat. Perpustakaan ini tersedia di internet, beberapa di antaranya dengan biaya rendah atau tanpa biaya. Namun, ketika kita melihat gambaran besarnya, setiap proyek pembelajaran mesin melibatkan empat fase utama :

• Memahami dan menyiapkan data
• Memproses data ini
• Menganalisis hasil
• Bertindak bijak berdasarkan analisis data

Karena itu, ketika kita melihat keseluruhan proses pengembangan proyek pembelajaran mesin, tidak jarang beberapa profesional langsung ke tahap tengah (memproses data dan menganalisis hasil) tanpa cukup memperhatikan pengumpulan dan persiapan data.

Dasar dari setiap proyek pembelajaran mesin adalah data. Seperti dalam memasak, di mana titik awal dari setiap hidangan yang baik adalah menggunakan bahan-bahan yang baik, faktor penting ketika mengembangkan proyek ML yang baik adalah untuk mendapatkan dan menggunakan data yang baik. Terutama di industri, mendapatkan data ini mungkin merupakan tugas yang menantang. Daftar tantangan potensial yang tidak lengkap ditampilkan di bawah ini:

• Kurangnya instrumentasi (data hilang)
• Data yang kurang akurat karena pemasangan, pemeliharaan, atau konfigurasi instrumentasi yang tidak tepat
• Label data yang salah karena kesalahpahaman dalam analisis—tugas pembelajaran yang diawasi

Bahkan dengan tantangan ini, dengan persiapan data yang benar (terkadang dengan kecukupan industri), adalah mungkin untuk membangun database yang cukup kuat untuk mendapatkan hasil yang bagus.

Jadi, luangkan waktu Anda untuk tugas penting ini!

3. Mengabaikan Pengetahuan Pakar

Ini mungkin argumen yang kontroversial. Beberapa profesional mungkin mengatakan bahwa jika Anda menginginkan pendapat ahli, Anda harus memilih sistem pakar menggunakan logika fuzzy, misalnya. Dalam sudut pandang yang berlawanan, saat kami menyelidiki sejumlah besar pengetahuan yang dimiliki perusahaan kami , mengabaikannya saja bukanlah cara terbaik untuk mengembangkan proses kami.

Saat kami mengimplementasikan proyek ML, cara terbaik adalah mendapatkan tim multidisiplin yang menggabungkan pengembang ML (orang-orang yang memiliki pengetahuan tentang teknik ML—yaitu, pembelajaran mendalam, pemrosesan bahasa alami, metode ensemble, pengelompokan, dan sebagainya) dengan pakar yang tepat penasehat (profesional yang mengetahui realitas proses dan masalah nyata yang harus dipecahkan). Dengan tim multidisiplin ini, hasil yang baik dikatalisasi. Anda mungkin akan mendapatkan solusi yang lebih akurat, dengan kemungkinan yang lebih tinggi untuk dapat menerapkannya di dunia nyata.

Melangkah Lebih Jauh

Terlepas dari tantangan besar dan kisah peringatan yang ada, pembelajaran mesin semakin menunjukkan dirinya sebagai alat yang ampuh. ML, dan lusinan alat lain yang ditujukan untuk memodernisasi dan mengembangkan dunia industri, adalah tren dan proses evolusi yang alami (dan perlu). Namun—terutama dalam proses kritis dalam industri, medis, dan bidang lainnya—harus diperhatikan. Jadi, jangan lewatkan langkah-langkahnya:buat proyek Anda sesederhana mungkin, rawat data Anda dengan baik, dan jangan lupakan para ahlinya.

Seperti yang bisa kita lihat, proyek pembelajaran mesin bukan jangka pendek, tetapi perjalanan panjang . Seperti perjalanan lainnya, yang satu ini dibuat dari satu langkah, dan langkah terakhir sama pentingnya dengan yang pertama.