BegrippenSoort begrip: VakbegripMachine learning
Wat is machine learning?
Machine learning is een tak van AI waarin een model een verband afleidt uit voorbeelden, in plaats van uit regels die iemand uitschrijft.
Niemand schrijft het verband als formule uit; het zit in de parameters van het model. Bij het trainen worden de parameters van het model zo ingesteld dat de uitkomsten zo goed mogelijk bij de voorbeelden passen. Voor een cyclustijd zou dat betekenen: veel onderdelen met geometrie, materiaal, machine en gemeten tijd, en een model dat daaruit een tijd voor een nieuw onderdeel voorspelt. Statistische regressie, beslisbomen en neurale netwerken vallen er allemaal onder.
Waar hangt machine learning van af?
Een model kan niet beter zijn dan de voorbeelden waaruit het is opgebouwd. Het kan verbanden vastleggen die niemand opschreef, maar ook verbanden die toeval waren; dat heet overfitting en blijkt pas op voorbeelden die niet in de training zaten. Buiten het bereik van de voorbeelden, zoals een nieuw materiaal, een andere machine of een veel groter onderdeel, is een voorspelling onzeker. Of een uitkomst uit te leggen is, verschilt per modeltype: een regressie toont haar coëfficiënten, een groot neuraal netwerk niet direct.
Hoe werkt machine learning in de praktijk?
Een geboekte tijd met een gereedschapsbreuk of een storing is geen gewone tijd. Gebruik je zulke tijden ongemarkeerd, dan bouw je de uitzondering in het model; laat je ze allemaal weg, dan kan het model te optimistisch voorspellen. Bij enkelstuks- en high-mixwerk is de eerste keer bovendien vaak het gewone geval, geen uitzondering. Ook de registratie zelf telt: of instellen, bewerken en wachten apart worden geboekt, en op het juiste onderdeel. Een model uit één werkplaats past niet vanzelf op een andere met andere machines, gereedschappen en programmeerstijl. Een voorspelde tijd blijft een schatting en hoort naast de gemeten tijd te staan, niet in haar plaats.
Waarmee wordt machine learning vaak verward?
Machine learning is één tak van AI, naast bijvoorbeeld regelgebaseerde systemen; de twee woorden zijn dus niet uitwisselbaar. Het bijstellen van normtijden aan de nacalculatie is weer iets anders: daar pas je zelf een bestaande norm per bewerking aan en zie je wat er verschoof, terwijl machine learning een model bouwt waarvan de verbanden uit de data komen.
Veelgestelde vragen
Kan ik mijn nacalculatie gebruiken om een model te trainen?
Alleen als je weet wat erin zit. Een tijd waarin een storing of gereedschapsbreuk zit, is een uitzondering. Leg per order vast onder welke omstandigheden de tijd ontstond, zodat je uitzonderingen kunt markeren in plaats van ze mee te nemen of weg te laten.
Hoeveel voorbeelden heeft een model nodig?
Dat ligt niet vast. Het hangt af van het aantal kenmerken dat meetelt, de spreiding in je werk en hoe nauwkeurig de voorspelling moet zijn. Toets het model op voorbeelden die niet in de training zaten.
Wat is het verschil tussen machine learning en normtijden bijstellen?
Bij normtijden bijstellen pas je een bestaande norm per bewerking aan op gemeten tijden, en zie je welke norm verschoof en waarom. Machine learning bouwt een model waarvan de verbanden uit de voorbeelden komen; of een uitkomst uitlegbaar is, hangt af van het modeltype.