Uczenie maszynowe (machine learning, ML) to dziedzina sztucznej inteligencji, w której program nie dostaje gotowych reguł, lecz sam wyznacza zależności na podstawie przykładów z danych historycznych. Wynikiem jest model, który dla nowych danych zwraca prognozę, klasyfikację lub prawdopodobieństwo zdarzenia. Duże modele językowe są jedną z odmian uczenia maszynowego, ale w operacjach równie często stosuje się prostsze modele na danych tabelarycznych.
Jak to działa
- Uczenie nadzorowane – dane zawierają znany wynik, np. informację, czy zamówienie zostało zwrócone. Model uczy się przewidywać ten wynik na podstawie cech: kategorii produktu, wartości koszyka, historii klienta. Do tej grupy należą regresja (przewidywanie liczby) i klasyfikacja (przewidywanie kategorii). Typowym zastosowaniem jest prognozowanie popytu.
- Uczenie nienadzorowane – wynik nie jest znany, a model szuka struktur, np. grupuje klientów o podobnym wzorcu zakupów albo wykrywa nietypowe odczyty czujników.
- Ocena modelu – jakość mierzy się na danych, których model nie widział podczas uczenia, np. na ostatnich trzech miesiącach. Typowe miary to średni błąd bezwzględny (MAE) dla prognoz oraz precyzja i czułość dla klasyfikacji.
Model jest tak dobry, jak dane, na których się uczył. Gdy proces się zmienia – nowy asortyment, inna maszyna, nowy kanał sprzedaży – trzeba go ponownie ocenić i często douczyć.
Przykład
Zakład przetwórstwa tworzyw z 24 wtryskarkami zbierał dane o temperaturach, ciśnieniu i czasie cyklu, ale wykorzystywał je tylko do analizy awarii po fakcie. Model klasyfikacyjny uczony na 18 miesiącach danych i historii przestojów co godzinę oceniał ryzyko awarii układu hydraulicznego w ciągu najbliższych 48 godzin. Przy progu alarmowym ustalonym z działem utrzymania ruchu model sygnalizował z wyprzedzeniem około 70% awarii, generując średnio dwa fałszywe alarmy tygodniowo. Planowane interwencje zastąpiły część nagłych przestojów, a MTBF tej grupy maszyn wzrósł w ciągu pół roku o około 20%.
Najczęstsze błędy
- Wyciek danych (data leakage) – użycie w uczeniu informacji, która w momencie prognozy nie jest jeszcze znana, co daje znakomite wyniki w testach i słabe w praktyce.
- Brak punktu odniesienia – zawsze warto sprawdzić, o ile model jest lepszy od prostej reguły, np. średniej z ostatnich tygodni.
- Wdrożenie bez monitorowania – jakość modelu spada wraz ze zmianami w procesie, a nikt tego nie mierzy.
Od czego zacząć
- Sformułuj decyzję, którą model ma wspierać, i określ koszt pomyłki w obie strony.
- Sprawdź, czy dysponujesz co najmniej kilkunastoma miesiącami danych z zapisanym wynikiem.
- Zbuduj prosty punkt odniesienia, a dopiero potem bardziej złożony model. Takie rozwiązania obejmuje usługa Narzędzia AI na zamówienie.