Tiberid #2 - Machine LearningYouTube↗  IA↗(long shot)
Science & Technology  1.5K views 15 likes 1 dislikes   10 Jul 2017
Statisfaction 726 subscribers Czechia YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
Diribet uvádí TIBERID neboli Jaroslavova dobrodružství
#2 Strojové učení
Ve společnosti Tiberid bylo hodně práce, jako každý den.
It was another busy day in the Tiberid company.
Stanislav kreslil odhady čistého zisku, do kterých se promítalo i očekávání,
Stanislav was drawing the new estimates of the net profits, which included an expectation
že brzy budou uvedeny do provozu tři nové výrobní linky.
the three new production lines will soon start to operate.
Nedávno byla v Tiberidu pilotní výrobní linka,
Some time ago, there was a pilot production line in Tiberid,
která měla fungovat jako ověření konceptu nového typu palivového čerpadla.
which was intended to serve as a proof of concept for a novel fuel pump.
Design výroby prošel mnohými fázemi a iteracemi a po pár měsících
The design of this production line went through many phases and iterations, and after few months,
byla první várka čerpadel připravená k testům v reálném prostředí.
there were first batches of the pumps available for real life tests.
Součástí výrobní linky bylo koncové měřicí zařízení,
The production line included an end-of-line measuring device,
které kontrolovalo, jestli vlastnosti čerpadla odpovídají specifikaci.
which was there to check if the pump characteristics meet the specification.
Jednou z vymožeností tohoto moderního výrobního systému byl komplexní sběr dat
One of the features of the modern production system was a comprehensive data acquisition
ze všech montážních operací.
from all the assembly operations.
Výrobní linka produkovala 10 procent zmetků. To není úplně špatné pro pilotní linku, ale chtělo by to zlepšit, pokud by koncept měl být v budoucnu použitelný.
The production line produced 10 percent scrap. This is not bad for a pilot line, but it certainly needs an improvement, should the concept be used in future.
Jedním ze zjištěných problémů bylo, že měřicí zařízení mělo docela velkou chybu měření,
One of the known problems was that the measuring device had quite a big measurement error,
ale sesbíraná data by i tak měla obsahovat dostatek informací o kvalitě výrobku.
but with all the collected data, there should be sufficient information on the product’s quality.
Už jste slyšel o data miningu? Ten vyřeší všechny problémy s daty.
Have you heard about data mining? It is the solution to all data problems.
V letadle jsem se potkal s člověkem, který na to byl expert. Tak to s ním zkonzultujte.
On the plane I met this guy who is an expert. Just check with him.
Specialisté na výrobní technologie z Tiberidu uzavřeli smlouvu s externím výpočetním střediskem,
The Tiberid manufacturing technology experts contracted an external computation centre
aby zanalyzovalo data sesbíraná z výrobní linky. Především šlo o to, porovnat data získaná z výroby s daty, které dodávalo koncové měřicí zařízení.
to analyse the gathered data from the production line, specifically to compare the data acquired during the assembly with the data provided by the end-of-line specification check.
Experti na data mining použili velmi pokročilé metody strojového učení.
The data mining experts used very advanced methods of aided machine learning.
Zjistili, že dokáží předpovědět výsledek měření z poskytnutých dat s přesností 93 procent.
They found that they are able to predict the outcome from the measurement from the provided data with 93 percent accuracy.
93 procent.
93 percent.
To mi přijde jako dobrý a uvěřitelný výsledek.
That seems fine and plausible to me.
Analýza dat navíc identifikovala dominantní znaky, které mohou být přiřazeny ke konkrétním výrobním procesům.
And moreover, the data analysis identified dominant characteristics that could have been linked with specific processes during the assembly.
Všichni byli potěšeni slibnými výsledky během „Závěrečné revize návrhu“,
Everyone was happy about the promising results on the Final Design Review,
a bylo schváleno spuštění projektu, za podmínky, že zlepšení budou zaváděna během provozu.
where the project received an approval for roll-out, on the condition, that the improvements will be implemented as running changes.
Projekt byl oficiálně spuštěn a postavily se další tři výrobní linky.
The project was officially launched, and three more production lines were built.
Během zavádění poznatků z pilotní linky se tým expertů zaměřil na vlivné proměnné, které model předpověděl.
During the implementation of the findings from the pilot line, the team focused on the influential variables predicted by the model.
Po tom, co se udělalo hodně práce, vyhodnotili změny ve zmetkovitosti.
After some significant work, they evaluated the scrap rate gain.
S překvapením zjistili, že situace se v porovnání s pilotním provozem nijak nezlepšila.
They were quite surprised to find out that the situation did not show any improvement in comparison to the pilot run.
Bylo na čase zavolat Jaroslava.
It was the time to call Jaroslav.
Opakujte po mně: Cpk, Cpk, Cpk.
Repeat after me: Cpk, Cpk, Cpk.
Omlouvám se. REKLAMA
Excuse me.
Moudrý Pythagoras řekl
Wise Pythagoras once said
„Vše je číslo.“
“All is number.”
Počítáme s Vámi.
Count with us.
Počítejte s námi.
Count on us.
Diribet REKLAMA
Diribet
93 procentní přesnost může vypadat na první pohled v pořádku.
93 percent accuracy may seem all right at the first sight.
Ale ještě si to promysleme.
But let’s think it over.
Když linka vyrábí 10 procent NOK dílů, potom by jakékoli měřidlo,
When the production line produces 10 percent of the NOK parts, then any measuring device,
které by o všech vyrobených dílech uznalo, že jsou v pořádku, měřilo s přesností 90 procent.
which would find all produced assemblies acceptable, would be 90 percent accurate.
A to by vůbec nemuselo měřit, stačilo by mu tam sedět a říkat OK, kdykoli se objeví nějaký díl.
And it does not need to measure at all, it just needs to sit there and say OK to whatever part comes in.
Pokud má měřicí zařízení přesnost 93 procent, není o moc lepší než měřidlo, které nedělá nic.
When the measurement device is 93 percent accurate, it is not much of an improvement to a device that does nothing.
Analýza dat provedená na původních datech byla formálně správná,
The data analysis executed on the original data was formally accurate,
ale zapomněla vzít ohled na jednu podstatnou skutečnost.
but it failed to account for an important fact.
Strojové učení pracovalo s  výsledky z měřicího zařízení.
The aided learning process was working with the results of the measuring device.
Samotná metoda strojového učení dokáže zpracovat jakákoli data, která se jí předloží.
The machine learning method itself accommodates to whatever data is given to it.
Nedokáže poznat, jestli materiál, podle kterého se učí, odpovídá danému problému.
It has not the ability to decide if the learning material is adequate to the matter in hand.
Tímto způsobem byl náš model natrénován produkovat výsledky,
In this way, the model was trained to produce results
které byly zatížené chybou, podobnou té při konečné kontrole.
that were burdened with an error similar to the outcome of the final check.
Musíme napřed zjistit, na jakých datech necháváme algoritmus strojového učení třénovat.
First we have to take a look at the data that were fed to the machine learning algorithm for training.
Bylo v nich docela dost nevěrohodných případů, které mohly být z datové sady vymazány.
There were quite a few non-plausible instances that could be deleted from the data set.
Tento princip je stejný pro konzervativní statistickou analýzu i pro algoritmy strojového učení:
This principle is the same both for the conservative statistical evaluation and for the data mining algorithms:
Data, která nejsou reprezentací daného problému, například odlehlé hodnoty nebo nevěrohodné vstupy,
Data that do not represent the problem, for example outliers or non-plausible inputs,
by měly být z analýzy vypuštěny.
should be omitted from the analysis.
Vypuštění takových datových bodů analýzu neoslabuje. Naopak ji zlepšuje.
Omission of such data points is not compromising the analysis. It improves it.
Když byl algoritmus strojového učení natrénován na vyčištěné datové sadě, výsledek byl docela odlišný.
When the machine learning algorithm was trained on the cleaned data set, it provided quite a different picture.
Někteří předchozí podezřelí byli ve skutečnosti pro celkovou kvalitu zanedbatelní a místo nich se objevili jiní.
Some of the former suspects were found negligible to the overall quality and some new appeared.
Myslel jsem, že strojové učení je odpověď na všechny problémy,
I thought that the machine learning was an answer to all the problems,
život, vesmír a vůbec.
the life, the universe, everything.
To je ve skutečnosti 42.
That’s 42, actually.
Při srovnání s konzervativní statistikou je obecnou vlastností algoritmů strojového učení,
When compared to conservative statistics, it is a general property of the machine learning algorithms
že nedokážou odpovědět na otázku, jak došly k výsledku.
that they do not respond to the question how they found the answer.
Mohou a měly by být testovány podle toho, jaký podávají výkon,
They can and should be tested with respect to their performance,
ale nedá se od nich očekávat, že deterministicky podloží pravdivost závěrů.
but they cannot be expected to deterministically substantiate the findings.
Máme teď velký problém.
We are in a deep trouble now.
Finance nám nepovolí vybudování dalších tří linek.
The project finance does not permit building another three lines.
Naštěstí byl design montážní linky navržen docela chytře,
Fortunately, the design of the assembly line was made in a quite smart manner,
takže bylo možné zapracovat nová zjištění.
so it was possible to accommodate the new discoveries.
Metody použité k analýze dat neumí poskytnout znalost, která v nich není.
The methods used to analyse the data never contribute knowledge, which is not there.
Jsou závislé na datech, která jim přijdou.
They depend on the data which is fed to them.
Algoritmy strojového učení mají tu výhodu, že se přizpůsobí
The aided machine learning algorithms have the advantage of adapting
nejrůznějším jevům v datech, i když pro ně nemáme fyzikální nebo technické vysvětlení.
to various phenomena in the data, even if we don’t have a physical or technical explanation.
To se ale může snadno stát nevýhodou, pokud nemáme „čistá“ data, nebo pokud nejsou řádně strukturovaná.
But this can easily be turned into a disadvantage, if we feed it data that are not “clean” or that are not properly structured.
Jeden problém byl úspěšně vyřešen, ale ještě mnoho dalších se jistě objeví. Všechna jména, postavy a události v tomto příběhu jsou smyšlené. Podobnost se skutečnými osobami (živými či mrtvými), místy, budovami a produkty je náhodná a neúmyslná.
This problem was successfully solved but there were many more to come.
Similar videos:

What's Machine Learning?
LiveIntent
88 views 1 likes 0 dislikes 23 Mar 201667% match

What is Machine Learning?
Lawrence Livermore National Laboratory
4.7K views 86 likes 4 dislikes 05 Jul 201867% match

What Is Machine Learning?
SAS Software
4.5K views 25 likes 0 dislikes 07 Jul 201567% match

What is Machine Learning?
OxfordSparks
345.3K views 2.2K likes 55 dislikes 11 Jan 201767% match


What is Machine Learning?
Google Cloud Tech
787.2K views 12.8K likes 177 dislikes 24 Aug 201767% match

What is Machine Learning
Udacity
1K views 4 likes 0 dislikes 06 Jun 201667% match

What is Machine Learning?
Code.org
17.7K views 250 likes 11 dislikes 01 Dec 202067% match


What is machine learning?
National Science Foundation News
670 views 20 likes 2 dislikes 29 Mar 201867% match

What is machine learning?
National Science Foundation News
126 views 7 likes 0 dislikes 12 Apr 201867% match

What is Machine Learning?
Matthew Voke
57 views 6 likes 0 dislikes 01 Apr 202067% match

What is machine learning?
In 3 Minutes
2.9K views 12 likes 2 dislikes 18 Apr 201767% match

What is Machine Learning ?
Cubeware GmbH
6K views 4 likes 0 dislikes 25 Jan 202167% match

Tiberid #1 - Valve Leakage
Statisfaction
3.2K views 15 likes 5 dislikes 23 Feb 201731% match

Tiberid #3 - Design and Manufacturing
Statisfaction
1.3K views 10 likes 2 dislikes 16 Oct 201722% match


Settings Privacy About Contact Donate