Ki a legalkalmasabb az MI modellek betanítására?

A mesterséges intelligencia betanításával sok probléma adódik, mégis ott rejlik benne a potenciál, amivel teljesen átformálhatja a minőségellenőrzést és a hibafelismerést. A hagyományos, felügyelet mellett működő MI modellek nagy mennyiségű bevitt információt igényelnek a minőségellenőrtől, így sokak számára ez a folyamat nem éri meg a befektetendő időt és a vele járó nehézségeket.

Az alternatív megoldásnak nincs szüksége felügyeletre és papíron sok előnnyel kecsegtet, ami a gyakorlatban sokszor nem valósul meg. Az ilyen modelleknek minimális mennyiségű bevitt adatra van szükségük a folyamat kezdeténél, azonban később, az optimalizálás közben további beavatkozásokat igényelnek. A gyakorlat már megmutatta, hogy egy apró környezeti változás is jelentősen csökkentheti a modell teljesítményét, ami miatt az adatelemző szakembernek, vagy más szakavatott személynek finomhangolnia kell azt. Ez egy végtelen kört eredményezhet, vagy egy olyan modellt, ami soha nem lesz képes teljesíteni a felhasználójának igényeit és elvárásait.

A két típus keveréke jelentheti a megoldást

Az ipari szakértők által javasolt optimális megoldás ennek a két típusnak a keveréke. A modell felépítésének első szakasza a lehető legnagyobb mértékben automatizált és nagyrészt nem igényel felügyeletet. A modellnek címkézetlen képeket adagolnak egy átlagos gyártási folyamat közben, amik alapján saját magát képezheti. Ennek eredményeként a modellben kialakul egy kép arról, hogy hogyan néz ki egy jó termék, és a lehetséges hibák is egyértelműek lesznek számára, amiket csoportokba is rendez. A folyamat ezen részének automatizálása kevesebb felhasznált időt és okozott stresszt jelent.

Azonban legalább a folyamat utolsó 20 százalékában még így is szükség van az MI finomhangolására. A modell visszajelzéseket kérhet, ami alapján el tudja dönteni, hogy valódi hibát talált-e a termékben, vagy csak koszt, szálakat, esetleg vizet. A termék különösen érzékeny részeiről is informálni kell a modellt, hogy tudja, hova irányítson nagyobb figyelmet az átvizsgálás közben.

Adatelemzők vagy minőségellenőrök kellenek?

A kérdés viszont továbbra is adott: vajon ki a legalkalmasabb ember erre a feladatra? Az adatelemző szakemberek, akik jobban értenek a mesterséges intelligenciához, de kevésbé ismerik a terméket? Vagy a minőségellenőrök és a hozzájuk hasonló szakemberek, akik bővebb információkkal rendelkeznek a termékről és a lehetséges hibáiról, azonban kevésbé ismeretesek az MI-vel?

Erre a kérdésre a válasz eddig az adatelemző volt. Ha egy modell nem működött megfelelően, egy adatelemző szakembert kellett hívni, hogy optimalizálja azt és további visszajelzéseket adjon neki. Ezzel viszont az a probléma, hogy az adatelemző nem képes megkülönböztetni egy javítandó hibát egy még tolerálható mértékűtől és a hibák típusairól is szűkebb ismeretekkel rendelkezik. Ugyan még ezekkel a korlátokkal is tudnak visszajelzéseket adni a modellnek, azonban azok a modell jellemzőire lesznek építve, nem pedig a termékre.

A minőségellenőrök lehetnek alkalmasabbak

Ezért előnyösebb, ha egy minőségellenőr vesz részt a folyamatban, hiszen ő ismeri a terméket kívül-belül. Így viszont felmerül az a probléma, hogy hosszabb időbe telik, míg teljesen kiismerik magukat az MI kezelésében. Az időigényt azonban rövidíteni lehet, ha a modell felépítésének első szakaszát felügyelet nélkülivé és automatizálttá sikerül tenni. Ezután már csak az utolsó 10-20 százalékban lesz szükség a szakember beavatkozására, ahol a termék kitűnő ismerete már elengedhetetlen.

A termelésben résztvevő személyek tudásának felhasználásával a kialakított modell sokkal pontosabb lesz és komplexebb feladatokat is el tud látni, mint a korábbi generációs MI-t használó programok - összegzett a Manufacturing Tomorrow.