Aprendizaje Automático en producción: investigación. Selección de documentos de investigación de Machine Learning en producción.
Aprendizaje Automático en producción: investigación
Aprendizaje Automático en producción: investigación. Selección de documentos de investigación de Machine Learning en producción.
Aprendizaje automático en producción: del modelo de aprendizaje automático experimentado al sistema
Machine Learning in Production: From Experimented ML Model to System
Junio 2022
La canalización de ML de producción se refiere a un flujo de trabajo completo de extremo a extremo de un producto de aprendizaje automático listo para su implementación. En los últimos años, las empresas han invertido mucho en la investigación de Machine Learning; los desarrolladores están desarrollando nuevas herramientas y tecnologías para hacer que ML sea más flexible. Ahora, nosotros podemos experimentar la IA en la mayoría de los dispositivos que nos rodean, desde electrodomésticos hasta automóviles. Cuando queremos desarrollar un producto impulsado por IA, es vital comprender los flujos de trabajo cruciales del ML. La investigación académica para desarrollar un modelo de ML y una canalización de ML de producción son escenarios completamente diferentes. Desde los problemas empresariales, la recopilación de datos hasta la implementación del modelo es un proceso altamente iterativo. La mayoría de las veces, los científicos de datos y los ingenieros de aprendizaje automático deben lidiar con problemas como el cambio de datos, el cambio de concepto, el deterioro del modelo, etc. A veces, se necesita cambiar la arquitectura ML completa o cómo se diseñan las funciones en el conjunto de datos. Se volverá tedioso si alguien está trabajando en un entorno de este tipo y no comprende todo el flujo de trabajo de la canalización de ML. Aunque cada proyecto de ML es diferente, un científico de datos / ingeniero de ML / ingeniero de datos debe comprender el flujo de trabajo de extremo a extremo de la canalización de ML para el producto que está desarrollando. El desafío comienza con un problema empresarial. Podemos enfrentar diferentes declaraciones de problemas de dominio que deben resolverse con aprendizaje automático. La forma en que se recopilarán los datos también es una gran preocupación. Preprocesamiento de datos, validación de datos, monitoreo de datos, ingeniería de características, selección de modelos, ajuste de hiperparámetros, optimización de modelos, análisis de rendimiento de modelos, evaluación de rendimiento, detección de sesgos, implementación de modelos, análisis posterior a la implementación y el monitoreo son los procesos cruciales para hacer su modelo (…).
Aprendizaje automático en producción
Machine learning in production
https://www.researchgate.net/publication/346907912_Machine_learning_in_production
Enero 2021
Ahora que, con suerte, se siente más cómodo experimentando con el aprendizaje automático y creando aplicaciones utilizando diferentes modelos y entradas, hablemos de los diferentes aspectos de la puesta en producción de modelos y sistemas de aprendizaje automático.
Aprendizaje automático en producción: potenciales, desafíos y aplicaciones ejemplares
Machine Learning in Production – Potentials, Challenges and Exemplary Applications
Octubre 2019
Las tendencias recientes como la conducción autónoma, el procesamiento del lenguaje natural, la robótica de servicios o la Industria 4.0 se basan principalmente en el tremendo progreso realizado en el campo del aprendizaje automático (ML). La mayor disponibilidad de datos junto con la potencia informática asequible y las herramientas de software fáciles de usar han sentado las bases para el uso de dichos algoritmos en una amplia gama de aplicaciones industriales, por ejemplo, para el mantenimiento predictivo, la calidad predictiva o la visión artificial. Sin embargo, aún falta una guía sistemática para identificar e implementar casos de uso de ML económicamente viables en la industria manufacturera. En particular, todavía falta una descripción general estructurada de las mejores prácticas concretas y específicas de la industria que puedan transferirse fácilmente a la propia producción. Por eso, este documento tiene como objetivo resumir varios escenarios de aplicación existentes de ML desde una perspectiva de proceso y sector industrial. El punto de vista del proceso cubre principalmente los principales grupos de procesos de fabricación de DIN 8580, operaciones de manejo según VDI 2860, así como enfoques de procesos cruzados seleccionados. Desde la perspectiva del sector industrial, se describen escenarios de aplicación de varios subsectores, como la producción de productos electrónicos, motores eléctricos, componentes de transmisión y dispositivos médicos.
Aprendizaje de transferencia industrial: impulsar el aprendizaje automático en la producción
Industrial Transfer Learning: Boosting Machine Learning in Production
Julio 2019
En el campo de la producción, el aprendizaje automático ofrece un gran potencial para desarrollar soluciones innovadoras de optimización o automatización. Sin embargo, enfrenta desafíos en cuanto a la disponibilidad de datos y el alto esfuerzo de entrenamiento de los modelos de aprendizaje en caso de cambios en el proceso de producción. En este documento, abordamos estos desafíos mediante la introducción del aprendizaje de transferencia profundo para la producción. Demostramos sus potenciales y beneficios en una aplicación real para la calidad predictiva en el moldeo por inyección y proponemos un enfoque novedoso para el entrenamiento continuo de redes neuronales en productos fabricados. Al crear una red neuronal que aprovecha el conocimiento de productos anteriores sin olvidarse, el enfoque muestra mejores tasas de aprendizaje y predicciones más precisas al tiempo que requiere muchos menos datos para el entrenamiento.