Álláshirdetések
Events / Courses
Legfrissebb híreink
A kecskeméti csapat újabb lépést tett az önvezető rendszerek felé
2024.04.19 16:23Több ezer Cybertruckot hív vissza a Tesla
2024.04.19 15:22Az USA nyomására Mexikó is keresztbe tesz a kínai autógyártóknak
2024.04.19 14:21Így lesz elég magyar alapanyag az ipar számára
2024.04.19 13:17Autopro Blog
Autopro a Facebookon
Galériáink
Ezek a gépi tanulás legfőbb kihívásai
Amikor a Google a korábbi kereséseink alapján ajánl nekünk oldalakat, akkor a gépi tanulás egyik legismertebb formájával szembesülünk. Ám nemcsak ilyenkor, hanem az okostelefonok és az internet használata során szinte folyamatosan találkozunk ezzel a vívmánnyal. Az ipari használata viszont közel sem ilyen egyértelmű.
A gépi tanulás (machine learning, ML) az egyik technológiai alapja az önvezető járműveknek és az arcfelismerő szoftvereknek is, de a gyáripar számára is fontos vívmány: a mesterséges intelligencia segítségével számos emberi munkaerőt igénylő feladat gyorsítható fel, automatizálható.
Ez viszont több kérdést is felvet, az Automation című lap szerzője, Fredrik Wartenberg összegyűjtötte a három legfontosabb kihívást a gépi tanulással kapcsolatban.
Az adatok olvashatósága
A gépi tanulás ipari felhasználása során hatalmas mennyiségű adat alapján kell a gépeknek „megtanulni” egyes folyamatokat. Ugyan az adatok tárolása hosszútávú, és a megfelelő tárhely is rendelkezésre áll, mégis lehetnek problémák az adatok felcímkézésével, helyes csoportosításával és a nem megfelelő adatok kiszűrésével.
Wartenberg szerint ugyan első ránézésre ezek nem tűnnek bonyolult feladatnak, a nagy mennyiségű információ és a különböző naplófájlok, hibaüzenetek miatt, valamint egyes esetekben az adatok integrálásának hiánya miatt nem egyértelmű, hogy ezzel a feladattal könnyen birkózik meg a mesterséges intelligencia.
Az adatok lejegyzése
A megfigyelt adatokat gyakran egyeztetni kell a valósággal, értelmezhetővé kell tenni őket, hogy ténylegesen használhatóak legyenek. Éppen ezért gyakran az alkalmazhatósághoz megjegyzésekkel ellátott adatokra van szükség, ám ezeket a megjegyzéseket csak szakértők végezhetik el, így nagyon időigényes feladatról van szó.
Ez az egyik legnagyobb különbség a gépi tanulás hétköznapi használatához képest, hiszen a Google-keresések során felmerülő jegyzeteket szinte bárki elvégezheti.
Az applikáció maga
Az ipari alkalmazások, applikációk nagyon specifikusak, ezért nincs igazi rendszere annak, hogyan kell az ilyen applikációkat telepíteni. Emiatt még pontosabb és precízebb adatelemzésekre van szükség.
Ezeket a problémákat egyszerre és könnyen nem lehet megoldani, ezért Wartenberg szerint egy hosszabb folyamat lesz, mire a gépi tanulás ipari alkalmazása egyszerűbbé és elterjedtebbé válik.