這些算法擅長運(yùn)行可重復(fù)的流程——那些不需要人工判斷即可完成的流程。但是，仍然需要專家來處理“邊緣”情況。

機(jī)器學(xué)習(xí)正在服務(wù)企業(yè)中被用來運(yùn)行標(biāo)準(zhǔn)、常規(guī)、可重復(fù)的部分流程。在最近的OPEX夏季虛擬會議上，每天的會議都有很多服務(wù)公司介紹他們使用機(jī)器來運(yùn)行每天執(zhí)行十幾次到一百次的核心業(yè)務(wù)流程的方法。

制造業(yè)組織可以從這種方法中吸取教訓(xùn)。正如我們在之前的文章中所討論的，通過利用混合倡議的方法，并結(jié)合黑帶流程專業(yè)知識和機(jī)器學(xué)習(xí)系統(tǒng)的優(yōu)點(diǎn)，我們可以以一種有意義的方式操作機(jī)器學(xué)習(xí)，并推動制造業(yè)運(yùn)營的數(shù)字化轉(zhuǎn)型。

邊緣案例的艱難歷程

機(jī)器算法擅長運(yùn)行可重復(fù)的流程--那些不需要人類判斷就能完成的流程。然而，專家仍然需要處理 "邊緣 "案例，即那些非標(biāo)準(zhǔn)的、需要人類智慧來解釋和解決的案例。制造業(yè)中的邊緣案例涉及到不經(jīng)常發(fā)生的非程序性的事情，從表面上看，似乎不能重復(fù)。

其中一些是極其罕見的變化，如啟動新的生產(chǎn)線、鑒定下一代設(shè)備、更換過時的機(jī)器、災(zāi)難性的設(shè)備故障等。其他的邊緣案例出現(xiàn)的頻率更高，比如在生產(chǎn)新產(chǎn)品時--從故障和維護(hù)活動中恢復(fù)，或者在新的操作人員入職時。無論是哪種情況，邊緣案例都需要一些人工干預(yù)來解決，重新優(yōu)化流程，使其恢復(fù)到穩(wěn)定狀態(tài)。

讓基于機(jī)器學(xué)習(xí)的系統(tǒng)來處理邊緣案例是很復(fù)雜的，有幾個原因。

●由于這些邊緣案例不經(jīng)常發(fā)生，所以沒有關(guān)于這些邊緣案例的良好數(shù)據(jù)。

●關(guān)于如何應(yīng)對邊緣案例的知識庫通常停留在有經(jīng)驗(yàn)的專家的頭腦中。

●采取的行動和取得的結(jié)果之間的映射是不完整的，限制了任何基于學(xué)習(xí)的方法。

提供足夠的數(shù)據(jù)來訓(xùn)練基于機(jī)器學(xué)習(xí)的方法，需要專家手動捕捉所有用于管理邊緣案例事件的行動，并進(jìn)一步將這些行動與結(jié)果聯(lián)系起來。這在制造環(huán)境中是有問題的，因?yàn)槿藗兌己苊ΑＫ麄兊膬r值通常不與數(shù)據(jù)輸入任務(wù)相關(guān)，而是與產(chǎn)出單位相關(guān)。要求一個人手動輸入關(guān)于他們一直在忙于恢復(fù)的事件的反應(yīng)，不可能產(chǎn)生高質(zhì)量的反應(yīng)數(shù)據(jù)集。

克服障礙

為了克服這些挑戰(zhàn)，我們需要對與邊緣案例事件相關(guān)的行動和結(jié)果進(jìn)行非侵入性但持續(xù)的捕捉。現(xiàn)在有幾個智能產(chǎn)品有可能彌補(bǔ)這一差距。這些產(chǎn)品包括可穿戴技術(shù)，以及被動和智能界面。谷歌眼鏡是一類智能可穿戴設(shè)備的例子，可以用來彌補(bǔ)這一差距。然而，在這種情況下，相對于為穿戴者提供實(shí)時的幫助來處理邊緣案例，我們反而用設(shè)備來捕捉關(guān)于邊緣案例的數(shù)據(jù)、行動和結(jié)果。同樣地，我們也可以使用類似于蘋果和谷歌所采用的接觸追蹤方法的互動和被動界面。這已經(jīng)被用來使藍(lán)牙網(wǎng)狀網(wǎng)絡(luò)在不分享隱私信息的情況下交易關(guān)于Covid積極互動的數(shù)據(jù)，并且可以被重新用于工廠車間，在 "邊緣 "案例反應(yīng)過程中追蹤和記錄數(shù)據(jù)標(biāo)簽。

除了對數(shù)據(jù)、行動和結(jié)果的非侵入性捕獲，我們還需要機(jī)器學(xué)習(xí)的進(jìn)步，以便能夠利用這些數(shù)據(jù)來訓(xùn)練能夠開始處理邊緣案例的模型。機(jī)器學(xué)習(xí)的一個有趣的研究領(lǐng)域是學(xué)徒制學(xué)習(xí)。這背后的想法是，ML代理表現(xiàn)得像一個學(xué)徒--觀察專家采取的行動，并學(xué)習(xí)模仿他們來完成適當(dāng)?shù)娜蝿?wù)。這些想法主要在機(jī)器人學(xué)中得到了探索，人類專家被用來教機(jī)器人代理如何采取某些物理行動。

底層的學(xué)習(xí)算法使用逆向強(qiáng)化學(xué)習(xí)--模型需要通過觀察專家的行動來估計(jì)他們試圖實(shí)現(xiàn)的目標(biāo)，然后在它試圖完成類似的任務(wù)時嘗試優(yōu)化它。最近，這種方法的應(yīng)用已被證明在游戲環(huán)境（如雅達(dá)利游戲的玩法）以及現(xiàn)實(shí)世界的環(huán)境中起作用，如直升機(jī)控制和動畫。將這些方法調(diào)整到制造環(huán)境中，將允許ML代理通過觀察來學(xué)習(xí)處理邊緣情況所需的行動。

教導(dǎo)機(jī)器

在本十年的剩余時間和下一個十年里，當(dāng)前現(xiàn)實(shí)中的勞動力緊缺問題不會得到緩解。要求工人--他們的數(shù)量在不斷減少--在盡快從事件中恢復(fù)過來的同時抽出時間來輸入數(shù)據(jù)是一個失敗的提議。隨著辭職大潮的持續(xù)，制造商的壓力將增加，隨著人們在組織中尋找他們的 "理想 "工作環(huán)境，營業(yè)額和培訓(xùn)需求也將增加。

隨著可用勞動力的減少，機(jī)器需要能夠吸收越來越多的 "邊緣 "內(nèi)容到機(jī)器范式中。通過可穿戴監(jiān)測產(chǎn)品、被動跟蹤和基于反向強(qiáng)化的學(xué)習(xí)方法，人可以 "教 "機(jī)器關(guān)于邊緣案例的知識，機(jī)器可以利用這些知識來擴(kuò)大對邊緣案例的常規(guī)反應(yīng)要素的理解，挑選出可重復(fù)的要素，即使邊緣案例不是每天都發(fā)生。

當(dāng)我們向未來邁進(jìn)時，會出現(xiàn)人口萎縮的情況。這在許多國家已經(jīng)在發(fā)生。在未來的人口中，愿意從事制造業(yè)的那部分人將是不斷減少的人口中的一個子集，然而我們對產(chǎn)品的需求似乎正在增加。技術(shù)工具需要以這樣的方式來組裝，以彌補(bǔ)這一差距。

制造業(yè)的現(xiàn)狀有幾個挑戰(zhàn)，以實(shí)現(xiàn)機(jī)器指導(dǎo)操作的愿景，數(shù)字助理的概念在發(fā)揮作用。隨著廉價勞動力供應(yīng)的緊縮，實(shí)現(xiàn)技術(shù)飛躍的經(jīng)濟(jì)性將發(fā)生變化。許多組織多年來一直在努力為他們的業(yè)務(wù)配備人員，造成生產(chǎn)中斷和閑置時間，由于投資沒有得到充分利用，因此代價高昂。其他的挑戰(zhàn)圍繞著領(lǐng)導(dǎo)者對技術(shù)的舒適程度，理解技術(shù)解決其特定問題的潛力的能力，以及在技術(shù)方法被組合成一個無縫整合時的耐心。

在提高機(jī)器學(xué)習(xí)邊緣案例的能力的過程中，手動輸入數(shù)據(jù)是一個不可能的事情。主動監(jiān)測工具提供數(shù)據(jù)，而人類不必停止他們在邊緣案例上的工作，這是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的解決方案。下一個十年的當(dāng)務(wù)之急是設(shè)置機(jī)器向人類學(xué)習(xí)，并通過揭示底層例程和吸收這些例程的黃金運(yùn)行庫來吸收更多的 "邊緣案例"。