La guerra contro i modelli

L'innovazione digitale e, in particolare, l'intelligenza artificiale ('AI') / machine learning ('ML') stanno creando nuove opportunità per migliorare i processi esistenti.

Qui a Greycon, siamo costantemente aggiornati con le nuove tecnologie in cerca di tali opportunità per migliorare il nostro software, al fine di migliorare l'efficienza produttiva dei nostri clienti.

Constantine Goulimis, presidente di Greycon, ha studiato come l'apprendimento automatico può integrarsi con il software Greycon, X-Trim, e se può far avanzare i processi di produzione.

"Di nuovo in 2015, l'apprendimento automatico (ML) era ancora un concetto nuovo, certamente non così in voga come lo è ora. Con la popolarità arriva facile da usare, ed è ora sorprendentemente facile da usare un framework ML. Abbiamo iniziato ad applicarlo alla seguente domanda:

Data una particolare soluzione, ML può prevedere con precisione il numero minimo di modelli per soluzioni equivalenti (= stesso rifiuto)?

guerra contro i modelli machine learning greycon
Fig. 1
guerra contro i modelli di intelligenza artificiale greycon
Fig. 2

In termini semplici, conoscere i dettagli dell'immagine a sinistra permette a ML di prevedere che i pattern 8 (come mostrato in Fig. 2) sono sufficienti? In questo caso, la tecnologia che sembra contare correttamente il numero di volti in una fotografia funziona?

Con il mio collega Gastón Simone, Senior Development Engineer, stiamo esaminando la possibilità di rispondere a questa domanda. Innanzitutto, abbiamo dovuto creare un generatore di set di dati. Contrariamente a molti articoli pubblicati, gli ordini nel nostro settore non hanno una distribuzione uniforme delle taglie. Dopo aver ordinato la generazione dei dati di input, è necessario risolverli per arrivare alla soluzione iniziale (Fig.1) e quindi applicare la nostra ottimizzazione proprietaria di riduzione del pattern per ottenere il numero di pattern sulla destra. Detto questo, avendo dedicato un computer potente e riproposto, abbiamo speso più di 100 ore solo sulla fase di generazione dei dati, creando diverse migliaia di istanze.

Finora, e il processo è ancora in corso, abbiamo scoperto che:

  • Hai bisogno di migliaia di istanze per ottenere un'accuratezza di base.
  • Anche con migliaia di istanze, fino ad ora, ML non sovraperforma un modello ingenuo (che può essere riassunto, in qualche modo rozzamente, come "Il numero minimo di modelli è 0.7 × numero iniziale di modelli"). La qualifica "finora" è importante, perché anche negli ultimi giorni, le ML MAPE è passato da 11.6% a 9.6%. Tuttavia, il modello ingenuo raggiunge ~ 7.8%.

Nel processo sono emersi alcuni grafici molto belli, come la distribuzione degli errori in funzione del numero di pattern iniziali:

Apprendimento automatico di intelligenza artificiale Greycon

(C'è una ragione per cui i punti si trovano su iperboliche, è a causa del fatto che il numero di modelli in una soluzione è intero).