Mô hình học sâu thông thường được giám sát. Mô hình phải được hiển thị hàng trăm hoặc hàng nghìn hình ảnh lỗi được gắn thẻ trước, dạy nó cách xác định yếu tố cấu thành lỗi. Quá trình này đòi hỏi sự tham gia đáng kể của con người, cả từ người quản lý chất lượng, người sẽ phải gắn thẻ các khiếm khuyết và chuyên gia AI để điều chỉnh kiến trúc và siêu tham số.
Cuộc hành trình này không hề dễ dàng và có thể mất vài tháng. Quá trình này cần hàng nghìn bức ảnh và mất rất nhiều thời gian – thường là hai tháng cho mỗi máy ảnh và cho mỗi loại sản phẩm, mặc dù thời gian này có thể thay đổi đáng kể tùy theo nhiệm vụ. Bạn có thể nghe thấy những tuyên bố tiếp thị táo bạo về nhu cầu ngày càng ít hình ảnh hơn, nhưng trên thực tế, bạn sẽ thường thấy rằng mô hình không hoạt động như dự định và cần nhiều hình ảnh và phản hồi hơn. Trong nhiều trường hợp, người quản lý chất lượng sẽ phải tạo ra các lỗi giống như sản xuất theo cách thủ công nhằm mục đích đào tạo. Cho rằng những khiếm khuyết nhân tạo này không nhất thiết thể hiện những khiếm khuyết trong thế giới thực, không có gì ngạc nhiên khi cách tiếp cận này thường có thể dẫn đến những vấn đề xa hơn.
Sau nhiều tuần hoặc thậm chí nhiều tháng đào tạo mô hình với các tập dữ liệu được gắn thẻ trước, kết quả vẫn chưa chắc chắn. Hệ thống này giống như một chiếc hộp đen, vì khi nó bị lỗi bạn sẽ không thể hiểu được nguyên nhân. Một thách thức phổ biến khác trong sản xuất là sự biến đổi của quy trình. Mô hình cần phải thích ứng với những thay đổi, vì vậy nếu không có khả năng học trực tuyến này, bạn sẽ sớm gặp phải tình trạng suy giảm hiệu suất.
Các mô hình hoàn toàn không được giám sát
Ngược lại với mô hình được giám sát là mô hình hoàn toàn không được giám sát. Một số hệ thống dựa vào số liệu thống kê về bộ phận để hiểu điều gì là ổn và điều gì tạo nên khiếm khuyết. Có nhiều thách thức với cách tiếp cận như vậy, bao gồm các thành phần tạo tác không phải là khiếm khuyết trong quá trình sản xuất, mức độ nhạy cảm khác nhau đối với các khiếm khuyết ở các khu vực khác nhau và thực tế là việc xác định khiếm khuyết rất linh hoạt.
Lý tưởng nhất là thiết kế mô hình để phát hiện lỗi phải thể hiện kiến thức và hiểu biết của người quản lý chất lượng. Họ hiểu rõ sản phẩm của mình hơn bất kỳ ai khác và ý kiến đóng góp cũng như phản hồi của họ có thể giảm thiểu nhiều vấn đề được mô tả ở trên. Do đó, giải pháp tối ưu là một mô hình gần với đầu không được giám sát hơn nhưng không có nhược điểm của hệ thống hoàn toàn không được giám sát.
Hệ thống không giám sát của chúng tôi được thiết kế nhằm mục đích này. Thay vì phải tự mình gắn thẻ nhiều dữ liệu, bạn có thể chỉ cần cung cấp cho mô hình dữ liệu không được gắn thẻ và mô hình sẽ tự tìm hiểu xem sản phẩm bị lỗi trông như thế nào mà không cần giám sát. Không thể tránh khỏi thực tế là phải cung cấp cho nó rất nhiều hình ảnh, nhưng quá trình này được tự động hóa và do đó nhanh hơn và dễ dàng hơn.
Một mô hình không được giám sát có thể tự động hóa quá trình xây dựng mô hình vì các thuật toán của nó cho phép nó truyền trực tuyến các hình ảnh không được gắn thẻ và tự tìm ra các lỗi có thể xảy ra. Tuy nhiên, sau khi xác định được các ngoại lệ hoặc các khiếm khuyết tiềm ẩn, bạn cần một người có kiến thức về sản phẩm để cung cấp phản hồi đó và cho phép mô hình liên tục tối ưu hóa. Với phương pháp này, bạn tận dụng kiến thức của người quản lý chất lượng nhưng không làm họ kiệt sức khi yêu cầu dán nhãn cho hàng nghìn hình ảnh.
Bạn có thể thích
Quá trình này kéo dài trong bao lâu? Đây là lợi tức đầu tư lớn. So với mô hình thông thường phải mất hàng tháng để sẵn sàng triển khai vào dây chuyền sản xuất, mô hình không giám sát có thể mang lại giải pháp khả thi trong vài tuần hoặc ít hơn. Bản thân mô hình có thể thực hiện việc học trên dây chuyền sản xuất, giúp bạn tiết kiệm thời gian và tránh rắc rối. Và với ý kiến đóng góp của người quản lý chất lượng, bạn sẽ được hưởng những lợi ích của tự động hóa mà không gặp phải vấn đề nào với các hệ thống hoàn toàn không được giám sát mà cho đến nay vẫn chưa cung cấp được giải pháp khả thi.
Điều tốt nhất của cả hai thế giới là giải pháp AI cho phép người quản lý chất lượng giữ quyền kiểm soát những gì hệ thống AI học được nhưng tránh được rắc rối khi phải lãng phí hàng tháng trời gắn thẻ công việc. Hệ thống không giám sát của chúng tôi được thiết kế để mang lại tầm nhìn này, tận dụng và tích hợp kiến thức kiểm soát chất lượng mà bạn có nhưng tự động hóa công việc tẻ nhạt cần thiết cho mô hình được giám sát.
Nội dung & quan điểm trong bài viết này là của tác giả và không nhất thiết thể hiện quan điểm của ManufacturingTomorrow
Nguồn: https://www.manufacturingtomorrow.com/article/2023/11/why-the-conventional-deep-learning-model-is-broken/21687/ .
