有效地涉及机器学习专家开发过程和解释模型。
今天,很少有人会否认,数据可以为公司提供主要的附加值。但分析来自生产过程揭示了不完备数据收集的数据和相关的减少潜在的可以利用的数据。典型的缺点包括:
后者尤其代表一个障碍不能被低估。通常,重要的过程知识只存在隐式的头几个专家,他只能在有限的一段时间。如果这些人不可以在关键时刻,突然消除问题在流程,确保流程的可靠性和稳定性需要更多努力。从长远来看,失去的人相关知识给公司带来重大风险。公司有各种各样的解决方案获得知识和与广大读者分享它。然而,一般来说,知识转移过程中丢失,而且经常不检查来确保适当的知识转移,只有有限的接触传递和吸收信息。
这是使用人工智能出现相当吸引人。这里的关键是避免使用这种技术作为一个独立的应用程序,而是有效地结合自然和人工智能。专家系统可以用来实现这一目标。然而,它不应该被低估多少努力需要集成数据和自然知识形式化。一个常见方法是绝对必要的流程专家参与开发和解释机器学习模型(ML模型)。流程的专业知识专家纳入发展特性,方法的选择,以及评估和ML的输出模型的解释。这种联合方法的知识载体的过程,数据和人工智能领域的成功需要制定和实施人工智能。
但是这种方法会带来两个挑战。一方面,在许多情况下必要的数据不可用在初始开发的ML模式由于不完整的数据收集。另一方面,过程的参与专家经常毫升模型的开发完成时结束。第一个挑战是可以克服改进数据收集过程。然而,这导致以前收集的数据仍不完整,意义不能利用其全部潜力。这就是过程专家回来,因为他们可以提供丢失的信息基于他们的隐性知识。但如果全面数据池需要检查和缺失的信息必须添加(标签)的流程专家在稍后的时间,它会导致瓶颈的可用性这些人,防止他们有效地执行他们的常规标签作业以及其他日常任务和项目。
主动学习可以应用,以确保有效地使用有限的可用性流程的专家以及长期参与持续改进现有的ML的过程模型。这种方法的第一阶段培训毫升模型是基于一个智能的选择可用数据的一小部分。然后这个子集的基础数据分析和评估专家使用一个接口专门定制的应用程序和信息收集。收集到的信息是用来训练一个毫升模型,然后试图分配缺失的信息(标签)尚未评估的数据。这个过程不是为了测量模型的成功,而是它的不确定性。这种不确定性时分配缺失的标签形式的基础选择额外的数据池的子集,然后再次分析和标记过程的专家。
在初始培训的ML模式,流程专家提供一个最小的数据量进行分析,承诺最大好处关于发展毫升模型。至于模型用于生产监控和维护毫升、主动学习可以发挥决定性的作用在保证决策质量的ML模式。通过评估的不确定性毫升模型作出决定,过程专家可以参与早期自动识别任何错误的决定由纠正和防止未来的错误决策的决定ML模式。
|
|
|
|
|
|
|
|
|
|
留下一个回复