Варианты программных средств и технологий машинного обучения применимые для оперативного и среднесрочного планирования производства предприятия

Планирование производства предприятия осуществляется на основании данных, полученных из разных источников: имеющиеся заказы клиентов, план продаж, статистические данные прошлых периодов и другие. Эти данные могут храниться как в одной информационной базе, так и в разных. А обрабатываться они могут как средствами корпоративной информационной системы предприятия, так и сторонними приложениями, разработанными конкретно под эти цели. Разные сторонние приложения используют разные наборы методов машинного обучения, и ввиду индивидуальной специфики каждого производственного предприятия, рекомендуется использовать разные приложения и, соответственно, разные методы машинного обучения. Для того чтобы сделать это максимально правильно и дальновидно, нужно разобраться в методах машинного обучения: разобраться в их алгоритмах, понять сильные и слабые стороны каждого. Возможно это позволит определить, что необходимо использовать не один, а несколько различных методов для разных участков планирования.

Машинное обучение – это большой подраздел искусственного интеллекта, который изучает методы конструирования различных алгоритмов, имеющих возможность обучаться. Благодаря машинному обучению разработчику не обязательно прописывать алгоритмы и условия, учитывающие все возможные события. Вместо этого создаются алгоритмы, способные самостоятельно находить решения возникающих проблем, на основании статистических данных предыдущих периодов. Эти данные также могут использоваться для прогнозирования событий в будущем.

Основные принципы машинного обучения на основе анализа данных были сформулированы еще в середине 20-ого века. Но действительно широкое распространение и прикладное применение машинное обучение начало получать относительно недавно, когда вычислительные мощности современных компьютеров стали позволять обрабатывать очень большие объемы информации за довольно короткий промежуток времени. Первоначально в систему загружаются большие базы различных объектов, у которых есть некоторое пояснение, например, фотографии с подписями. Проанализировав  большое число фотографий с одинаковой подписью, у системы формируется представление, какими очертаниями обладает этот объект, какие ему характеры цвета, размеры, положения и другие свойства. И в дальнейшем, обнаружив на фотографии набор уже знакомых качеств, система с большой вероятностью определит, какой объект находится на этом фото.

Но системы с машинным обучениям способны обрабатывать не только фотографии. В большинстве случаев они анализируют такие наборы данных, как слова или цифры. В систему можно загрузить базу данных пациентов нескольких больниц, и система анализируя наборы симптомов и соответствующие им диагнозы, сформирует у себя некую логическую таблицу в которой каждому заболеванию будет соответствовать определенный набор показателей организма обратившегося пациента. В дальнейшем, при обращении нового пациента, в систему вносится результат осмотра пациента и другие данные, полученные в ходе анализов и других составляющих медицинской экспертизы. Внесенные показатели анализируются системой, после чего она по схожим значениям показателей и симптомам находит наиболее подходящий диагноз (или несколько).

Следует заметить, что для более точного результата работы системы нужно загружать как можно больше данных и обязательно следить за их достоверностью, так как негативное влияние даже одного неверного набора данных может быть эквивалентно тысяче верных наборов данных.

Также важно понимать, что обучение системы не заканчивается на первой загрузке обучающих данных. По ходу работы системы данные и результаты их обработки, как верные, так и ошибочные, также попадают в систему. Благодаря этому система постоянно развивается, и точность ее работы растет.

Помимо этого машинное обучение позволяет программам текстового редактирования понимать контекст того, что пишет человек, и указывать не только на грамматические ошибки, но и на логические и стилистические. Все это показывает колоссальный охват информации, которую способны обрабатывать алгоритмы машинного обучения. Но для разных информационных структур и областей задач нужно использовать разные алгоритмы машинного обучения, для достижения наилучших результатов и недопущения серьезных ошибок.

Алгоритмы машинного обучения:

  • Дерево принятия решений
  • Наивная байесовская классификация
  • Метод наименьших квадратов
  • Логистическая регрессия
  • Метод опорных векторов
  • Метод опорных векторов(SVM)
  • Метод ансамблей
  • Алгоритмы кластеризации
  • Метод главных компонент(PCA)
  • Сингулярное разложение
  • Анализ независимых компонент (ICA)

Есть и другие, менее популярные, но в чем-то более эффективные алгоритмы машинного обучения. Для нашей же задачи наиболее привлекательными являются два из них:

  • дерево принятия решений – для оперативного планирования
  • логистическую регрессию – для среднесрочного планирования

Дерево принятия решений является отличным инструментом, позволяющим смоделировать практически все возможные варианты планирования, проанализировать их и выбрать наилучший. Однако моделирование всех возможных вариантов является крайне ресурсоемким процессом, который может потребовать очень много времени. Поэтому использование данного алгоритма для планирования производства рекомендуется только на короткие сроки. В противном случае мы можем получить миллиарды возможных вариантов, и не сможем их обработать.

В свою очередь, для среднесрочного и долгосрочного планирования лучше всех подходит метод логистической регрессии. Этот алгоритм не строит вообще все возможные варианты, а анализирует статистические данные прошлых периодов, после чего на их основании строит прогнозную модель. Эта модель показывает ожидаемую картину будущего периода, на основании которой можно эффективно  спланировать производство.

В качестве программных средств для реализации этих алгоритмов подходят как платные, так и бесплатные инструменты. Некоторые из которых можно использовать в облаке, что снимает потребность в установки серьезных вычислительных мощностей на предприятии.

© Эта статья опубликована в интернет-журнале http://setevoy.net. Копирование и публикация статей журнала на сторонних сайтах запрещена!

 
Объявления:


 

Комментариев пока нет

 

Оставить комментарий