ماشین لرنینگ برای اولین بار در سال 1950 و زمانی که آلن تورینگ آزمونی به همین نام طراحی کرد، آغاز شد. او به دنبال پاسخ این سوال بود "آیا ماشین ها می‌توانند فکر کنند؟". از آن زمان تاکنون یادگیری ماشینی از یک مفهوم به فرآیند تبدیل شده است و بزرگترین شرکت‌های جهان به آن اعتماد کرده‌اند. اما آیا شما چیزی در این باره می‌دانید؟ در مورد کاربرد ماشین لرنینگ در صنعت چیزی شنیده‌اید؟ با من در عظیم مدیا همراه شوید تا با کاربرد ماشین لرنینگ در کسب و کار آشنا شوید.
یادگیری ماشین زیر مجموعه هوش مصنوعی (AI) است. به این صورت که رایانه‌ها به طور مستقل یاد می‌گیرند و خودشان کارهایی که برای آن برنامه‌ریزی نشده‌اند را انجام می‌دهند. این کار با یادگیری از طریق تجربه انجام می‌شود و معمولا از الگوریتم‌ها، کشف الگوها و تحلیل داده‌ها استفاده می‌شود. در واقع ماشین‌آلات برای انجام دقیق وظایف خود به صورت تکراری، به برنامه‌ریزی نیازی ندارند.
کاربرد یادگیری ماشین در صنایع بسیار متنوع است. تحقیقات و بازار نشان می‌دهد که در حال حاضر این صنعت در دنیا بسیار پولساز بوده است و تا چند سال آینده نیز پیشرفت چشم‌گیری خواهد داشت. مشاغل مختلف همواره در حال جمع‌آوری Big Data هستند و از آنها برای کسب تحلیل‌های ارزشمند استفاده می‌کنند. یادگیری ماشین درک این داده‌ها را راحت‌تر می‌کند.
در حال حاضر شرکت‌های بزرگ دنیا مانند GE ،Siemens ،Intel ،Bosch و Microsoft سرمایه‌گذاری‌های قابل توجهی برای استفاده از یادگیری ماشین در صنعت انجام داده‌اند. این کار باعث بهبود در تمامی جنبه‌های تولید می‌شود. این فناوری در کاهش هزینه‌های کارگر، کاهش نقص محصول، کوتاه شدن زمان خرابی برنامه‌ریزی نشده، بهبود زمان انتقال و افزایش سرعت تولید بسیار مفید است.
همانطور که بازار رشد و توسعه پیدا می‌کند، انواع جدید یادگیری ماشین به وجود می‌آید. این یادگیری‌ها، بررسی برنامه‌های جدید را ممکن می‌کند. با این حال بسیاری از نمونه‌های فعلی برنامه‌های ماشین لرنینگ به دو دسته " یادگیری تحت نظارت" و "یادگیری بدون نظارت" تقسیم می شوند. در ادامه این دو نوع یادگیری را بررسی می‌کنیم.
یادگیری تحت نظارت، یکی از انواع محبوب یادگیری ماشین است که معمولا در برنامه‌های توسعه مدل‌های آموزشی، پیش‌بینی رویدادهای آینده، مانند معاملات جعلی کارت اعتباری را بر عهده دارد. این نوع یادگیری ماشین ورودی‌ها و خروجی‌ها را شناسایی می‌کند و الگوریتم‌ها را آموزش می‌دهد. یادگیری تحت نظارت از روش‌هایی مانند طبقه‌بندی، رگرسیون، پیش‌بینی و تقویت شیب برای تشخیص الگو استفاده می‌کند. سپس از این الگوها برای پیش‌بینی مقادیر برچسب‌ها روی داده‌های بدون برچسب استفاده می‌کند. استفاده از داده‌های تاریخی در این روش اهمیت دارد.
در حال حاضر این فرم از یادگیری ماشین در کشف و توسعه دارو با کاربردهایی از جمله اعتبارسنجی هدف، شناسایی نشانگرهای زیستی و تجزیه و تحلیل داده‌های آسیب‌شناسی دیجیتال در آزمایش‌های بالینی مورد استفاده قرار می‌گیرد. استفاده از ماشین لرنینگ در این روش تصمیم‌گیری مبتنی بر داده را ممکن می‌کند، روند بهبود، کشف دارو و همچنین موفقیت را را سرعت می‌بخشد.
در بخش قبل یادگیری تحت نظارت را معرفی کردیم. یادگیری بدون نظارت برخلاف یادگیری تحت نظارت، بدون داده‌های تاریخی کار می‌کند؛ اما در عوض داده‌های جمع‌آوری شده برای یافتن ساختار و شناسایی الگوها را کاوش می‌کند. از این روش برای پیش‌بینی اهداف در کارخانه‌ها استفاده می‌شود. ماشین‌ها می‌توانند داده‌ها و الگوریتم‌هایی که مسئول ایجاد خطا در سیستم هستند را یاد بگیرند و از این اطلاعات برای شناسایی مشکلات قبل از بروز آنها استفاده کنند.
استفاده از این نوع ماشین لرنینگ باعث کاهش خرابی‌های برنامه‌ریزی نشده می‌شود؛ زیرا تولیدکنندگان می‌توانند قبل از خرابی، با صرفه‌جویی در وقت و هزینه، قطعات تعویضی را به یک تامین‌کننده تجهیزات اتوماسیون سفارش دهند. طبق آمارهایی که انجام شده است، کاربرد ماشین لرنینگ در صنعت و به خصوص بخش تولید، خرابی‌های برنامه‌ریزی نشده ماشین‌آلات را 15 – 30% و هزینه‌های نگهداری را 30 % کاهش می‌دهد.
همانطور که گفته شد، بزرگترین و پیشرفته‌ترین شرکت‌های صنعتی و تولیدی از ماشین لرنینگ استفاده می‌کنند. این کار باعث پیشرفت این شرکت‌ها شده است و آنها را به بهترین شرکت در زمینه کاری خودشان تبدیل کرده است. ممکن است این روش برای تولیدکنندگان کوچک‌تر ممکن نباشد، اما برای غول‌های صنعت مثل GE و زیمنس امکان‌پذیر است. در ادامه این کاربردها را به صورت مطالعه موردی بررسی می‌کنیم.
شرکت زیمنس آلمان در دهه‌های متوالی از شبکه‌های عصبی برای نظارت بر کارخانه‌های تولید فولاد و بهبود کارایی استفاده کرده است. این شرکت ادعا می‌کند که این تجربه عملی باعث پیشرفت در توسعه هوش مصنوعی در تولید و کاربردهای صنعتی شده است. زیمنس هم قصد دارد مانند شرکت GE همه مراحل ساخت، از طراحی گرفته تا نظارت را ضبط و تجزیه و تحلیل کند تا مشکلات و راه‌حل‌های بهتری پیدا کند.
کاربرد و نتایج هوش مصنوعی در این کارخانه بسیار برجسته است. علاوه بر اینکه متخصصان در این کارخانه نهایت تلاش خود را برای بهبود تولید انجام می‌دهند، سیستم هوش مصنوعی نیز تا حد زیادی اثربخش بوده است. مثلا این تکنولوژی به خودی خود انتشارات گاز از توربین‌های گازی را تا 10-15% کاهش داده است.
نحوه استفاده از این سیتم‌ها در شرکت زیمنس به این صورت است که توربین‌های گازی پیشرفته آن بیش از 500 سنسور دارند که به طور مداوم دما، فشار، تنش و سایر متغیرها را کنترل می‌کنند. همه این اطلاعات به هوش مصنوعی مبتنی بر شبکه عصبی منتقل می‌شود. زیمنس ادعا می‌کند که سیستم آنها در حال یادگیری روش‌های تنظیم مداوم دریچه‌های سوخت برای ایجاد شرایط مطلوب برای احتراق - بر اساس شرایط خاص آب و هوا و وضعیت فعلی تجهیزات - است. در نتیجه احتراق بیشتری صورت می‌گیرد و تعداد کمتری محصولات جانبی ناخواسته تولید می‌شود.
در بخش‌های قبلی در مورد دو شرکت زیمنس و جنرال الکتریک صحبت کردیم. این دو شرکت بیشتر بر استفاده از هوش مصنوعی تمرکز دارند و از آن برای ایجاد فرآیند تولید جامع استفاده می‌کنند؛ اما شرکت‌های دیگر مانند Fanuc در ژاپن، بر استفاده از رباتیک صنعتی و هوشمندسازی ربات‌ها تمرکز کرده‌اند. این شرکت ژاپنی در رباتیک صنعتی بسیار پیشرو است و اخیراً فشار زیادی بر تجهیزات خود برای اتصال و استفاده بیشتر از هوش مصنوعی وارد کرده است. کمپانی Fanuc از هوش مصنوعی Preferred Network برای ادغام یادگیری عمیق با ربات‌های خود استفاده کرده است و با اتوماسیون Cisco ، Rockwell و NVIDIA همکاری داشته است.
شرکت Fanuc از یادگیری عمیق برای آموزش و کمک به برخی از ربات‌های صنعتی خود استفاده می‌کند. این کار را بارها و بارها انجام می‌دهند و با هر بار یادگیری، به دقت بیشتری می‌رسند. این کار اینقدر تکرار می‌شود تا دقت کافی به دست بیاید. هدف از مشارکت با NVIDIA، یادگیری به چندین ربات به صورت همزمان است. از آنجایی که یادگیری یک ربات هشت ساعت طول می‌کشد، هشت روبات می‌توانند در یک ساعت یاد بگیرند. این یادگیری سریع خرابی کمتر و توانایی اداره محصولات متنوع‌تر در کارخانه را به دنبال دارد.
انسان‌ها در ابتدا مجبور بوده‌اند هر اقدام خاصی را که یک ربات صنعتی انجام می‌دهد، برنامه‌ریزی کنند، اما در حال حاضر ربات‌هایی تولید شده‌اند که خودشان می‌توانند یاد بگیرند. در آینده نه چندان دور تعداد بیشتری از روبات‌ها قادر به انتقال مهارت‌ها و یادگیری با یکدیگر هستند.
شرکت جنرال الکتریک که یکی از بزرگترین کمپانی‌های بزرگ جهان محسوب می‌شود و متنوع‌ترین محصولات را در بیش از 500 کارخانه در سرتاسر جهان تولید می‌کند، به تازگی از امکانات هوش مصنوعی و یادگیری ماشین استفاده می‌کند. این سیستم برای ردیابی و پردازش فرآیند تولید، پیدا کردن مشکلات احتمالی و تشخیص ناکارآمدی مفید است. هزینه‌های زیادی برای ایجاد این سیستم‌ها در شرکت‌های جنرال الکتریک به وجود آمده است و این شرکت ادعا می‌کند که کارایی تجهیزات خود 18% افزایش داده است.
هدف از کاربرد یادگیری ماشین در صنعت این شرکت، پیوند دادن طراحی، مهندسی، تولید، زنجیره تأمین، توزیع و در نهایت خدمات به یک سیستم هوشمند و قابل مقیاس در سطح جهانی است. با استفاده از این سیستم، هزاران و گاهی میلیون‌ها داده در روز پردازش می‌شود و این داده‌ها، مشکلات احتمالی و راه‌حل‌های احتمالی را تشخیص می‌دهند.
در هفت مورد از کارخانه‌های جنرال الکتریک، از سیستم Predix استفاده می‌شود. در هر یک از این کارخانه‌ها، یک بخش بهبود پیدا کرده است. مثلا کارخانه‌ای که در ویتنام قرار دارد، 5% افزایش بهره‌وری و کارخانه موتورجت آن در Muskegon ، با افزایش 25 درصدی تحویل به موقع روبه‌رو بوده است. مسئولین کارخانه‌ها ادعا کرده‌اند كه با مجهز كردن ماشین‌آلات به سنسورهای هوشمند -برای تشخیص سایش- خرابی برنامه‌ریزی نشده 10-20% كاهش یافته است.
یکی دیگر از شرکت‌هایی که از ماشین لرنینگ استفاده کرده است، KUKA، شرکت آلمانی متعلق به چین است. این کمپانی یکی از بزرگترین تولیدکنندگان ربات‌های صنعتی در جهان است و در زمینه هوش مصنوعی سرمایه‌گذاری‌های کلانی کرده است. یکی از کاربردهای هوش مصنوعی در این شرکت، کمک به بهبود همکاری بین انسان و ربات است.
در گذشته نه چندان دور اکثر روبات‌های صنعتی بسیار قوی و در عین حال احمق بودند. نزدیک شدن به این ربات‌ها در حالی که مشغول کار بودند خطرناک بود و لازم بود نکات ایمنی رعایت شود. شرکت KUKA ادعا می‌کند که سازنده اولین ربات تولیدکننده حساس و سازگار با HRC در جهان است. در این ربات‌ها از فناوری کنترل هوشمند و سنسورهای با کارایی بالا استفاده شده است که به آنها کمک می‌کند به درستی در کنار انسان عمل کنند و خطرات قبلی مانند تصادف و برخورد با افراد را نداشته باشند. پس KUKA مانند سایر تولیدکنندگان بزرگ مثلا BMW از این ربات‌های پیشرفته استفاده می‌کند و بازده کار خود را افزایش داده است.
شرایط مناسب برای کار همزمان و ایمن انسان و ربات، باعث شده است ربات‌های متحرک بتوانند در مکان‌های خاص و جدیدی قرار بگیرند و کارهایی را انجام دهند که قبلا نمی‌توانستند. همچنین این ربات‌ها می‌توانند به سرعت و در صورت نیاز وظایف جدیدی که برایشان تعیین می‌شود را انجام دهند و در هر مکان جدیدی از کارخانه قرار بگیرند. پس کارایی این ربات‌ها بهبود پیدا کرده است و انعطاف‌پذیری خوبی در کارخانه‌ها دارند.
صنایع تولیدی سال‌ها از اتوماسیون، رباتیک و تحلیل‌های پیچیده استفاده کرده‌اند. در طول چندین دهه همه مشاغل و رشته‌های دانشگاهی در حال جستجوی داده‌های تولیدی برای پیدا کردن راه‌حل‌هایی برای کاهش ضایعات و افزایش کارایی بوده‌اند. در نتیجه برخلاف برخی از مشاغل (مانند تاکسی‌رانی) که استفاده از هوش مصنوعی پیشرفته باعث ایجاد اختلال بیشتر و گسترده‌تر می‌شود، استفاده کوتاه مدت از فناوری هوش مصنوعی در بیشتر صنایع تولیدی و صنعتی شبیه به یک تکامل است.
اتصال صنعتی بیشتر، سنسورهایی که به طور گسترده استفاده می‌شوند، تجزیه و تحلیل قدرتمندتر و ربات‌های پیشرفته، همگی باعث پیشرفت و بهبود قابل توجه – و البته متوسطی - در کارایی یا انعطاف‌پذیری صنایع شده‌اند. برنامه‌های جدید ماشین لرنینگ باعث کاهش نسبتا ناچیز خرابی تجهیزات، تحویل به موقع، پیشرفت‌های جزئی در تجهیزات و صرف زمان کمتر برای آموزش در دنیای رقابتی رباتیک صنعتی شده است. البته ممکن است این پیشرفت‌ها به نظر اندک برسند، اما با گسترش بیشتر باعث صرفه‌جویی قابل توجهی می‌شود.
معمولا با توسعه و استفاده از ابزارهای هوش مصنوعی، می‌توان سالانه چند درصد از مخارج اضافی را کاهش داد. این موضوع در دراز مدت باعث پیشرفت اتوماسیون و یکپارچه‌سازی دیجیتال کل فرآیند طراحی و تولید می‌شود و می‌تواند امکانات جالبی ایجاد کند. معمولا تولیدات سفارشی کمیاب و گران هستند ولی کالاهایی که به صورت انبوه و با حجم بالا تولید می‌شوند، بسیار ارزان‌تر هستند. همچنین در حال حاضر هزینه طراحی محصولات جدید برای خط تولید کارخانه زیاد است. اگر استفاده گسترده از این فناوری - که انعطاف‌پذیری بیشتری در تولید ایجاد می‌کند – بیشتر شود، سفارشی سازی ارزان‌تر می‌شود و تغییری بسیار شگرف و واقعی در بازارهای مختلف ایجاد می‌شود. مثلا به جای اینکه بیشتر کفش‌ها در دوازده سایز مختلف عرضه شوند، ظرف چند ساعت پس از سفارش در تعداد نامحدودی تولید شوند و هر یک با توجه به نوع سفارش متفاوت ساخته شود.
منابع: Engineerlive Emerj
همانطور که دیدید ماشین لرنینگ کاربرد گسترده‌ای در صنعت دارد و توانسته است در بزرگترین شرکت‌های تولیدی و صنعتی سرتاسر جهان جای خود را پیدا کند. این موضوع روز به روز اهمیت بیشتری پیدا می‌کند و مزایای استفاده از آن بیشتر مشخص می‌شود. حضور آن در علوم و تخصص‌های مختلف پررنگ بوده است و به همین دلیل افراد و کمپانی‌های بیشتری از آن در ارائه محصولات تولیدی و خدمات خود استفاده می‌کنند. متشکریم که با ما در عظیم مدیا همراه بودید. اگر از این مقاله رضایت داشتید، آن را با دوستانتان به اشتراک بگذارید. منتظر سوالات و پیشنهادات شما برای بهتر شدن این مقاله هستیم.
