無需數(shù)據科學專業(yè)知識即可輕松使用機器學習

希望明日保持盈利的公司，必須在今日設定方向。數(shù)字化是關鍵，因為基于數(shù)據的服務決定了未來的業(yè)務成功。這使得在工業(yè)生產中使用人工智能（AI）成為當今機器和工廠面臨的主要挑戰(zhàn)之一。從檢測異常，到分類和預測磨損或損壞，再到質量控制，人工智能解決方案已用于許多領域。

人工智能從何用起？借助自動化機器學習（AML）工具，魏德米勒為用戶提供了合適的軟件。自動化機器學習工具使行業(yè)專家可以根據他們的應用知識獨立創(chuàng)建機器學習（ML）模型。如此一來，他們就可以將其對機器和工廠業(yè)務的專業(yè)知識應用到軟件工具中。在建模過程結束時，專家將獲得適合其應用的模型。

復雜的建模過程

如今，數(shù)據科學家可以分析數(shù)據并創(chuàng)建機器學習模型。這個過程主要涉及手動操作并具有探索性。這不僅創(chuàng)建了實際的模型，而且還創(chuàng)建了所謂的機器學習流程，其中，數(shù)據經過許多處理步驟，最后顯示模型并輸出結果。創(chuàng)建模型和機器學習流程的過程非常復雜。總共有多達1040種可能的組合來構建機器學習解決方案。ML-Pipeline的具體設計在每種用例中都是獨一無二的。當然，數(shù)據科學家可以使用一些軟件工具來支持Pipeline的基本結構，從而簡化工作。但是，機器學習解決方案的大多數(shù)參數(shù)必須以創(chuàng)造性的方式手動確定，這是一項艱巨的工作。在Pipeline建模和構建過程中，數(shù)據科學家不斷與機器和過程專家討論數(shù)據中所體現(xiàn)的關系。共同解釋結果，從而最終確定模型參數(shù)并構建Pipeline。因此，行業(yè)專家的應用知識對于創(chuàng)造一個成功的機器學習解決方案而言至關重要。

使機器學習的使用民主化

魏德米勒的愿景是使機器學習的應用民主化，即，使每一位行業(yè)專家都能獲得機器學習知識，并且確保機器學習在工業(yè)中的應用不為數(shù)據科學家數(shù)量所限。如此便可充分利用行業(yè)專家的現(xiàn)有知識。因此，需要標準化、簡化機器學習在工業(yè)中的應用，以使行業(yè)專家無需數(shù)據科學領域的專業(yè)知識即可獨立創(chuàng)建機器學習解決方案。此外，還需要最大化地實現(xiàn)建模自動化，創(chuàng)建ML-Pipeline，以加快機器學習解決方案的創(chuàng)建。可以用“自動化機器學習”這一術語來描述上述流程背后的技術方法。盡管“自動化機器學習”確實是指完全自動化地創(chuàng)建機器學習解決方案，但行業(yè)專家應積極地將其知識與自動化機器學習過程聯(lián)系起來，以創(chuàng)建出色的機器學習解決方案。

指導分析

借助自動化機器學習軟件，行業(yè)專家可以創(chuàng)建機器學習模型。自動化機器學習軟件指導用戶完成模型開發(fā)過程，這就是為什么需要指導分析的原因。專家專注于研究機器和過程行為知識，并將這些知識鏈接到后臺運行的機器學習過程。這意味著自動化機器學習軟件巧妙地查詢現(xiàn)有知識并將其與后臺運行的機器學習過程結合起來，從而將現(xiàn)有的和有價值的應用知識傳輸?shù)娇煽康臋C器學習應用中并存檔。

行業(yè)專家獨立開發(fā)機器學習解決方案

自動化機器學習解決方案本質上由兩個模塊組成，這些模塊用于模型的創(chuàng)建、執(zhí)行和優(yōu)化，以及在模型整個生命周期中對其進行管理。

使用建模模塊，行業(yè)專家可以基于訓練數(shù)據及其在異常檢測、分類和故障預測方面的應用知識，創(chuàng)建機器學習解決方案。

僅基于“良好數(shù)據”（即所謂的“無監(jiān)督”培訓）的異常檢測是目前較為先進的方法。這是一種根據歷史數(shù)據學習正常機器行為的典型數(shù)據模式的算法。在運行時，可以識別出實際情況與典型數(shù)據模式之間的偏差。檢測到的異?？赡苁怯捎谛实拖隆⑤p微故障或重大錯誤。借助這種方法，系統(tǒng)甚至可以在發(fā)生完全未知的錯誤情況時立即檢測到它們。建模過程的結果是一個完整配置的ML-Pipeline，包括模型。

此外，模型構建器用于在運行期間優(yōu)化機器學習模型。只需輕擊幾下鼠標，就可以將訓練數(shù)據中未包含的新事件（例如某些運行情況，機器運行時發(fā)生的異常或錯誤）包含在模型中。這使得模型可以在其生命周期中不斷改進。

自動化機器學習模型的第二個模塊是執(zhí)行環(huán)境，在云短或現(xiàn)場應用中運行機器學習模型。自動化機器學習工作室不依賴于某個平臺，而是根據要執(zhí)行的模型數(shù)量自動調整。 另外，執(zhí)行環(huán)境以易于理解的方式呈現(xiàn)模型結果，便于用戶采取具體行動，例如避免錯誤。由于模型在生命周期中不斷改進，因此創(chuàng)建了新的模型版本，所以模型管理是執(zhí)行環(huán)境的另一個組成部分。其中，模型管理負責模型版本控制，模型恢復和模型監(jiān)控。

應用知識具有決定性意義

在自動建模中，首先根據應用知識以及用于分析任務的訓練數(shù)據的結構，自動選擇合適的機器學習過程。這樣，最多為原始數(shù)據中的每個數(shù)據磁道生成300個特性，從而覆蓋了相對較大的解決方案空間。然后，訓練具有不同特性組合的替代機器學習模型并優(yōu)化其超參數(shù)。最后，驗證模型并將其集成到并行生成的ML-Pipeline中。所有這些步驟都將完全自動運行。根據復雜程度，計算模型可能需要幾分鐘或幾小時。只需數(shù)分鐘就可使用第一個模型，以便用戶可以及時獲得有關模型質量的反饋，繼而決定是繼續(xù)還是終止模型構建過程。

對于成功模型構建而言至關重要的是行業(yè)專家的應用知識，可利用這些知識來改進訓練數(shù)據集?；跈C器和過程知識，行業(yè)專家可以標記數(shù)據，例如，在數(shù)據中標記期望的和不期望的機器行為。根據相同的原理，標記某些過程或生產步驟，比如典型的機器啟動行為。用戶還可以創(chuàng)建自己的特性，這些特性不包含在原始數(shù)據中，但仍有助于評估制造過程。

含有豐富應用知識的數(shù)據集為后續(xù)自動生成機器學習模型提供輸入變量。這樣得出的機器學習解決方案與數(shù)據科學家手動創(chuàng)建的解決方案相當。在建模過程結束時，用戶根據某些標準（例如模型質量或執(zhí)行時間）選擇最適合其應用的模型?？梢詫⑵珢鄣哪Ｐ蛯С霾⒈４婊蚣傻綀?zhí)行環(huán)境中。

重點在于用戶的應用專有技術

用戶的應用專有技術對于專注于機器學習應用的行業(yè)做出了巨大貢獻，這對于歐洲經濟的成功至關重要。來自第一批機器制造商和操作員試點用戶的反饋表明，自動化機器學習工具對用戶友好，并且在功能和用戶指導方面最能滿足用戶的需求。

魏德米勒自動化機器學習工具：使用人工智能（AI）輔助創(chuàng)建模型。

無需數(shù)據科學領域的專業(yè)知識即可輕松應用機器學習——自動建模

易于操作，模型持續(xù)優(yōu)化——該軟件工具可指導用戶完成模型開發(fā)和優(yōu)化過程