Développer des projets d'apprentissage automatique industriel :3 erreurs courantes à éviter

L'utilisation des techniques d'intelligence artificielle, et plus particulièrement de l'apprentissage automatique, est de plus en plus considérée comme un outil révolutionnaire. Mais qu'est-ce que l'apprentissage automatique ?

Une description intéressante a été proposée par François Chollet. Dans son livre "Deep Learning with Python", il définit l'apprentissage automatique (ML) comme un nouveau paradigme informatique. En informatique conventionnelle, nous fournissons à l'ordinateur les règles et les données, et nous attendons des résultats corrects. À l'aide de l'apprentissage automatique, cet ordre est modifié. Nous fournissons les données et les résultats à l'ordinateur, et attendons les règles comme réponse.

Ce nouveau paradigme informatique change considérablement notre façon de résoudre les problèmes quotidiens et ouvre un large éventail d'opportunités dans tous les domaines d'études. Au cours des dernières années, l'apprentissage automatique a été largement utilisé, y compris dans le secteur industriel. Malgré cette large portée et le fait que de nombreux grands professionnels travaillent dans ce domaine, quelques erreurs courantes ont été observés (et devraient être évités) dans le développement de projets industriels. Bien qu'il y en ait beaucoup d'autres, cet article vise à discuter de trois de ces erreurs possibles.

1. Oublier les bases

Des concepts tels que l'industrie 4.0, la numérisation, l'intelligence artificielle, l'apprentissage automatique et l'IIoT sont les principales tendances du monde industriel de nos jours. Les projets avec ce type d'approche reçoivent souvent une attention particulière dans le portefeuille d'un professionnel, et certains professionnels ont tendance à choisir ce type de solution lors de la conception d'un projet pour améliorer les chances de faire approuver leur projet. Mais le fait est :cet outil (apprentissage automatique ou autre) est-il le bon pour résoudre votre problème ? Vous devez vous poser quelques questions avant de choisir l'un de ces outils "modernes". J'en ai énuméré quelques-unes ici, bien qu'il y en ait beaucoup d'autres :

• Ai-je essayé un algorithme plus simple pour résoudre ce problème (comme la logique PLC) ?
• Un contrôle réglementaire bien syntonisé conduit-il à des résultats de contrôle similaires ou meilleurs ?
• Disposons-nous d'une équipe appropriée et bien formée pour assurer le fonctionnement de ces nouvelles applications ?
• Un ensemble différent d'outils de qualité (tels que des diagrammes de Pareto ou des diagrammes de cause à effet) fournirait-il suffisamment de données pour obtenir de bonnes informations ?

Notez que je ne dis pas que des outils comme l'apprentissage automatique ne peuvent pas donner d'excellents résultats, ou que ces outils sont trop complexes. Il est important de garder à l'esprit, cependant, que des solutions simples donnent souvent de bons résultats et devrait normalement être la première étape d'un voyage vers l'Industrie 4.0.

2. Ne pas prêter attention à la qualité des données

Les outils d'apprentissage automatique pour le traitement des données sont maintenant répandus. De grandes entreprises comme Google et de nombreux groupes open source ont développé d'excellentes bibliothèques ML. Ces bibliothèques sont disponibles sur Internet, certaines d'entre elles à faible coût ou gratuitement. Cependant, lorsque nous examinons la situation dans son ensemble, tout projet d'apprentissage automatique implique quatre phases principales :

• Comprendre et préparer les données
• Traitement de ces données
• Analyser les résultats
• Agir judicieusement en se basant sur l'analyse des données

Cela dit, lorsque l'on regarde l'ensemble du processus de développement de projets d'apprentissage automatique, il n'est pas rare que certains professionnels passent directement aux étapes intermédiaires (traitement des données et analyse des résultats) sans prêter suffisamment d'attention à la collecte et à la préparation des données.

La base de tout projet de machine learning, ce sont les données. Comme en cuisine, où le point de départ de tout bon plat est d'utiliser de bons ingrédients, un facteur essentiel lors de l'élaboration d'un bon projet ML est d'obtenir et d'utiliser de bonnes données. Surtout dans l'industrie, obtenir ces données peut être une tâche difficile. Une liste non exhaustive des défis potentiels est présentée ci-dessous :

• Manque d'instrumentation (données manquantes)
• Données moins précises en raison d'une installation, d'une maintenance ou d'une configuration incorrecte de l'instrumentation
• Étiquettes de données erronées en raison d'idées fausses lors de l'analyse :tâches d'apprentissage supervisé

Même avec ces défis, avec une préparation correcte des données (parfois avec une adéquation industrielle), il est possible de construire une base de données suffisamment solide pour obtenir d'excellents résultats.

Alors, prenez votre temps pour cette tâche importante !

3. Ignorer les connaissances des experts

Cela peut être un argument controversé. Certains professionnels peuvent dire que si vous voulez un avis d'expert, vous devez opter pour un système expert utilisant la logique floue, par exemple. D'un point de vue opposé, lorsque nous examinons la grande quantité de connaissances que possèdent nos entreprises , l'ignorer ne semble pas être la meilleure façon de faire évoluer nos processus.

Lorsque nous mettons en œuvre des projets ML, le meilleur moyen est d'avoir une équipe multidisciplinaire combinant les développeurs ML (personnes qui connaissent les techniques ML, c'est-à-dire l'apprentissage en profondeur, le traitement du langage naturel, les méthodes d'ensemble, le clustering, etc.) avec l'expert approprié. conseillers (professionnels qui connaissent la réalité du processus et les vrais problèmes à résoudre). Avec cette équipe multidisciplinaire, les bons résultats sont catalysés. Vous obtiendrez probablement des solutions plus précises, avec une plus grande probabilité que vous puissiez les mettre en œuvre dans le monde réel.

Aller plus loin

Malgré les grands défis et les récits édifiants qui existent, l'apprentissage automatique se révèle de plus en plus comme un outil puissant. Le ML, et les dizaines d'autres outils visant à moderniser et faire évoluer le monde industriel, sont une tendance et un processus évolutif naturel (et nécessaire). Cependant, en particulier dans les processus critiques des domaines industriels, médicaux et autres, des précautions doivent être prises. Alors, ne sautez pas d'étapes :gardez votre projet aussi simple que possible, prenez soin de vos données, et n'oubliez pas les experts.

Comme nous pouvons le voir, un projet d'apprentissage automatique n'est pas un court terme, mais un long voyage . Comme tout voyage, celui-ci est fait d'étapes simples, et la dernière étape a la même importance que la première.