Anatoly Levenchuk (ailev) wrote,
Anatoly Levenchuk
ailev

Машинное обучение и оптимизация цифрового производства

Трёхстраничная статья "Scope for Machine Learning in Digital Manufacturing" (http://arxiv.org/abs/1609.05835) предлагает холистический антимодульный подход к проблеме использования машинного обучения в цифровом производстве:

Вот картинка оттуда, из неё всё ясно:


Суть статьи проста: вместо того, чтобы решать проблемы отдельный стадий жизненного цикла цифрового производства, нужно решать проблемы больших данных (собирать информацию разных стадий) и оптимизации сразу на всём жизненном цикле -- и не забывать, что про большие данные одна предметная область, а про оптимизацию другая предметная область (т.е. цифровое производство берём как целое, а вот практики работы с данными разделяем, ибо the challenge among many others faced by industry is to find expertise in the areas of data science and optimisation, considering that each poses its own problems and requires an inherently different skill set.

IMHO в сверхсложных случаях, которыми занимается искусственный интеллект (а цифровое производство как раз сверхсложный случай), проблема оптимизации ставится обычно по-другому: нам нужно найти не оптимальное решение, а приемлемое -- и первое же приемлемое решение идёт в дело, счастье, что нашли хоть что-то. Поэтому в искусственном интеллекте часто говорят не о проблеме оптимизации, а о проблеме поиска (например, search-based engineering -- http://ailev.livejournal.com/1122876.html), часто о проблеме обучения (learning), и много реже именно об оптимизации. Судя по всему, статью писали "классики", для которых всё это именно проблемы оптимизации, да и машинное обучение -- это тоже проблема оптимизации (см., например, http://avlasov.livejournal.com/162005.html, где avlasov пишет "В контексте лёрнинга, меня всегда интересовал вопрос - можно ли рассматривать лёрнинг как частный случай оптимизации или это какая-то отдельная форма? Это тоже экзистенциальный вопрос. Он может показаться бессмысленным, но он имеет значение, и рано или поздно на него напарываешься, пусть и в неявном виде. Например, байесовские подходы к лёрнингу вполне себе лёрнинг, но вот обязательно ли они являются оптимизацией?").

С другой стороны, проблема модульного/архитектурного синтеза -- это вполне себе оптимизационная проблема, равно как и проблема поиска. Архитектура обеспечивающей системы (жизненного цикла) ведомая архитектурой воплощаемой в цифровом производстве системы -- да, неплохо было бы "учесть это всё", это ж как раз суть системного подхода! Но "просто добавь данных и посчитай", как предлагают авторы статьи, явно будет недостаточно. Жизненные циклы оптимизируются не для одной целевой системы, а для широкого их класса -- и поэтому нужно всё-таки контролировать размеры решаемой задачи. Модульность, типовые решения -- вот что имеет значение. Вот тут прямо в эту пятницу вечером приглашают поглядеть на коллаборативного робота от Universal Robotics -- с ним можно работать в цифровом производстве, его можно будет на презентации пощупать и поговорить на эти темы с его создателями: http://mti.edu.ru/education/events/493742 (регистрируйтесь, это Москва, кампус МТИ на Ленинском 38А, там бесплатно). Будем ли мы его оптимизировать в рамках какого-либо жизненного цикла цифрового производства (а там ведь и люди в этом жизненном цикле могут участвовать, и несколько таких роботов -- отнюдь не только 3D-принтеры!), или ограничимся им как модулем и будем оптимизировать что-то поверх него? А людей в коллаборации будем оптимизировать (и потом доучивать), или так сойдут? То есть -- насколько модульна сама эта "оптимизация" в жизненном цикле? Я думаю, что просто "собрать данных побольше и потом оптимизировать оптом" (pun intended) не получится.

Так что статья хороша как минимум тем, что вызывает на такой разговор. Она вполне провокационна, как авторы и предупреждают.
* * *
Вроде был как целый сминар в июле 2016 -- Royal Society Workshop "Realising the Benefits of Machine Learning in Manufacturing", но я не нашёл иных его следов в Сети, кроме как обсуждаемой статьи.
Subscribe
  • Post a new comment

    Error

    Anonymous comments are disabled in this journal

    default userpic

    Your reply will be screened

  • 1 comment