Desbloqueando Machine Learning: Insights prácticos para líderes industriales

Machine Learning (ML) puede parecer impenetrable para cualquiera no familiarizado con él. Una falta de entendimiento de qué es ML, y qué significa para la industria manufacturera, a veces da lugar a ideas descabelladas sobre máquinas inteligentes dispuestas a tomar control humanidad. Pero ML, básicamente, es un avance mayor en desarrollo de Tecnología Información (TI). La forma en que funciona, y sus limitaciones, deben ser completamente entendidas por quienes quieren usarlo para el pleno beneficio de sus organizaciones.

ML, admitidamente, requiere uso de habilidades estadísticas y TI específicas que poca gente aún tiene, o ha necesitado en manufactura. Pero sus principios son bastante simples —e incluso intuitivos de comprender. Para mí, fue lo que una vez consideré un servicio online traducción lenguaje bastante mundano —Google Translate— el que me ayudó realizar el potencial transformativo de ML.

Para ponerlo simple, software traducción lenguaje ha largo estado basado en programar diccionarios, reglas gramaticales y sus numerosas excepciones. Este enfoque involucra esfuerzo considerable.

De procesos «basados en reglas» a «basados en datos»

• La nueva metodología surgió de idea más simple: no intentes definir reglas y tablas léxicas desde cero, deja que software las «descubra». Millones de páginas ya traducidas son recolectadas de organizaciones internacionales.

• Cuando usuario envía texto para traducción, software lo corta en elementos básicos y luego busca idénticos o similares en mismo idioma dentro de páginas traducidas.

• La traducción más probable es extraída para ser sugerida al usuario.

Patrones estadísticos relevantes encontrados en datos, por tanto, reemplazan reglas traducción. En lugar de tener que ser minuciosamente programados, son automáticamente «aprendidos» por software. Es fácil ver valor ahorro costo de este enfoque, comparado al tradicional, especialmente desde calidad de traducción resultante suele estar a la par con él.

En manufactura, ganancias productividad se componen con mejora sustancial calidad. Cualquiera que haya especificado procesos automatización sabe qué tan complejo puede ser anticipar todas situaciones posibles que software tendrá que enfrentar una vez en producción. Esto incluso cuando expertos dominio funcional están involucrados. Reglas funcionales software se basan en suposiciones que a su vez dependen en número limitado observaciones. Pero realidad a menudo prueba ser mucho más compleja que esperado, significando que automatización eventualmente es subóptima o software termina requiriendo correcciones costosas.

Machine Learning, por otro lado, absorbe y se desarrolla usando todos datos disponibles, sin importar volumen. Eso significa riesgo de patrones o caso uso quedando fuera de cuadro es limitado.

Humanos deben permanecer al mando

La máquina también evita «sesgos cognitivos» de inteligencia humana que traducen en selecciones imperfectas datos disponibles y toma decisiones inapropiada.

Buen ejemplo es procesamiento automatizado solicitudes préstamo recibidas por bancos. Algoritmo revisa información clave prestatario junto con información reembolso. Luego destaca relación probable entre perfil prestatario y riesgo default. Aplicado a nueva solicitud préstamo, algoritmo predecirá, con nivel precisión considerado suficiente, si prestatario pagará. Esto significa riesgo mala decisión, disparada por prejuicio o estado ánimo operario banco, es removido.

Sin embargo, es crucial que humanos sigan siendo tomadores decisiones finales.

Primero, porque software obviamente no es perfecto. Está gobernado por configuraciones hechas por humanos. Por instancia, puede haber sido optimizado para evitar «falsos positivos» (donde préstamo concedido a prestatario que hará default) y así se inclinará hacia rechazar ciertas solicitudes préstamo. Por tanto, usuario debe verificar que recomendaciones sistema son legítimas y, si necesario, rechazarlas. Esto permitirá al sistema aprender nuevos criterios para que algoritmo acepte solicitudes de perfiles similares próxima vez.

Otra razón clave es que solo humanos deben asegurar estándares éticos se cumplan, especialmente cuando decisión concierne derechos individuo.

Datos über alles

Es esencial elegir y configurar modelo algorítmico que encaje proceso manufacturero en cuestión y tipo datos sustentándolo. El rendimiento automatización dependerá de cumplir dos imperativos: calidad datos, y representatividad conjunto entrenamiento, significando que automatización será más eficiente cuando ML se realice basado en observaciones no sesgadas.

Acceso a datos es crucial para éxito ML porque, en última instancia, ningún nivel sofisticación algorítmica jamás compensará un mal conjunto datos.

Con creciente poder computadoras y digitalización, se ha vuelto posible y probablemente esencial aprovechar enfoque data-driven para diseñar procesos manufactura automatizados más eficientes. Más allá de habilidades científicas requeridas, éxito de estas soluciones reside en recolección datos relevantes y monitoreo sus operaciones por humanos. Machine Learning tiende a descartar comportamientos arbitrarios. Depende de nosotros asegurar no los reemplace con sobre-generalizaciones inapropiadas.

Por Jean-Cyril Schütterlé, VP Producto & Ciencia Datos en Sidetrade