Het tempo van de technologische vooruitgang is de laatste decennia exponentieel gestegen en heeft een grotere impact op elke industrie dan ooit tevoren. Sommigen beweren dat de vierde industriële revolutie (Industrie 4.0) nabij is; een trend naar automatisering en gegevensuitwisseling in productietechnologieën en -processen, die cyber-fysieke systemen (CPS), IoT, cloud computing, cognitieve gegevensverwerking en kunstmatige intelligentie omvatten.
De engineering sector behoort tot de sectoren die het meest door deze ontwikkelingen zal worden beïnvloed. Als ingenieur is het belangrijk om op de hoogte te blijven van de nieuwe ontwikkelingen en nieuwe mogelijkheden te verkennen. Een van de meest prominente technologieën die naar verwachting een grote rol zal spelen in Industrie 4.0, is Machine Learning (ML). Deze geavanceerde technologie creëert kansen voor ingenieurs op het gebied van automatisering, data, en meer. Maar wat houdt machine learning precies in? En hoe kan het de advanced engineering sector ten goede komen? In dit artikel beantwoord ik deze vragen en laat ik zien hoe Amoria Bond jou kan helpen bij het vinden van jouw volgende engineering uitdaging.
Wat is machine learning?
Machine learning is de naam voor de technologie die wordt gebruikt om machines te "trainen", of meer specifiek, om aanpasbare software te bouwen die tot stand komt door gebruik te maken van grote hoeveelheden data. Het wordt vaak gezien als een onderdeel van kunstmatige intelligentie (AI), en ML-systemen worden soms AI genoemd, maar het is nauwkeuriger om het te beschrijven als een subset van AI.
Wat machine learning uniek maakt, is dat het werkt met een hele grote hoeveelheid data, en dat het van die data leert zonder expliciet geprogrammeerd te zijn. Door bepaalde data aan een algoritme te "voeren", "leert" het algoritme van die data. Kort gezegd is machinaal leren het gebruik van algoritmen en statistische modellen om een specifieke taak doeltreffend uit te voeren zonder gebruik te maken van expliciete instructies.
Het eindresultaat is een systeem dat een groot deel van het menselijk handelen uit het besluitvormingsproces haalt. Het systeem leert, past zich aan en verbetert zichzelf. Dit creëert unieke mogelijkheden voor automatisering en digitalisering van processen, die sneller en efficiënter worden, waarbij overweldigend grote taken autonoom worden aangepakt en monotoon werk wordt weggenomen. Maar, het is een uitdaging. De systemen bestaan uit duizenden algoritmen die uiteenlopende vaardigheden vereisen om tot stand te brengen.
Hoe kan een machine "leren"?
Het maken van ML systemen is niet eenvoudig. In deze paragraaf zal ik een zeer eenvoudig voorbeeld gebruiken om te laten zien wat er nodig is om een ML systeem te maken. Wat als u een algoritme wilt maken dat onderscheid kan maken tussen honden en katten, een systeem dat elke afbeelding van een hond of kat kan zien en kan herkennen welke hond of kat is? Of zelfs via live camerabeelden honden of katten kan herkennen en van elkaar onderscheiden.
Om onderscheid te kunnen maken tussen katten en honden, moet het algoritme "leren" onderscheid te maken tussen de visuele verschillen tussen katten en honden. Hoewel het alleen nodig is onderscheid te kunnen maken tussen twee parameters, een kat of een hond, vereist het toch een geavanceerd algoritme dat voor de ontwikkeling veel data nodig heeft, meer specifiek: gelabelde data.
We kunnen het niet hebben over machine learning zonder te spreken over big data, een van de belangrijkste aspecten van machine learning-algoritmen. Elk systeem voor machine learning vereist een enorme hoeveelheid data.
Voor het voorbeeld algoritme van katten en honden, zou je een enorme hoeveelheid data nodig hebben met katten en honden; beelden en video's, die zijn gecategoriseerd en gelabeld. Gelabelde data hebben zowel de input- als de outputparameters in een volledig machineleesbaar patroon, maar er is menselijke input voor nodig. Dit betekent dat mensen de gegevens hebben gelabeld en het juiste label van een kat of een hond hebben toegekend aan een afbeelding of video. Het ML-algoritme zal van deze gegevens "leren" en uiteindelijk in staat zijn zelf onderscheid te maken tussen katten en honden wanneer een ongelabeld beeld aan het systeem wordt toegevoerd. Dit proces van annoteren of labelen van de data om een ML-systeem te trainen staat bekend als supervised learning.
Een nadeel van deze methode is dat er nog steeds menselijke input nodig is om de data te labelen, en dat de dataset vrij groot moet zijn. Ten tweede moeten de gelabelde data accuraat zijn. Stel dat 25% van de katten afbeeldingen ten onrechte als hond zijn gelabeld, dan kan het systeem sommige katten ten onrechte als hond gaan herkennen. Ten derde hebben de meeste bedrijven niet de mankracht om hele grote datasets te labelen.
Eén manier om gelabelde data te verkrijgen, is via het gebruik van platforms zoals Amazons Mechanical Turk, waarop taken in verband met het labelen van data kunnen worden gepost en een workforce de data van thuis uit zal labelen in ruil voor een kleine vergoeding. Andere bedrijven gebruiken andere methoden.
De kans is groot dat er de afgelopen dagen een captcha-taak verscheen toen je op internet aan het surfen was. Kreeg je er een waarbij je op afbeeldingen van bussen of treinen moest klikken? Zo ja, dan heb je zonder dat je het wist gegevens gelabeld. Ze gebruiken de captcha-input van mensen om een ML-algoritme te trainen, door mensen plaatjes van bussen, treinen, enz. te laten labelen. Het is een ingenieuze manier om miljoenen gelabelde data gratis te krijgen.
Op dit punt zou je kunnen denken, ik dacht dat het voordeel van ML systemen is dat het menselijke interactie vermindert en automatisering verhoogt, maar dit systeem vereist nog steeds veel menselijke input. Ja, er is veel menselijke input nodig voor gelabelde gegevens, maar wanneer het systeem is gecreëerd, zullen de taken die het zal uitvoeren geen menselijke input meer nodig hebben en biedt het een enorm potentieel voor automatisering. Ook al moeten de gegevens nauwkeurig worden gelabeld om deze methode te laten werken, toch is supervised learning uiterst krachtig wanneer het in de juiste omstandigheden wordt gebruikt en kunnen zeer geavanceerde ML systemen worden gecreëerd. Het wordt vrij vaak gebruikt in ons dagelijks leven, bijvoorbeeld in programma's voor gezichtsherkenning.
Bovendien zijn er andere manieren om ML-systemen te trainen.
Unsupervised en reinforcement learning.
Zoals uitgelegd hebben algoritmen voor machine learning het vermogen zichzelf te verbeteren door training. Niet alle algoritmen voor machine learning vereisen gelabelde data. Een andere mogelijkheid is het gebruik van ongelabelde data. Ongelabelde data heeft slechts één of geen van de parameters in een voor de machine leesbare vorm.
Het voordeel van het gebruik van ongelabelde data is dat er geen menselijke arbeid nodig is om de gegevens te labelen en dat betekent meestal dat een grotere dataset kan worden gebruikt, maar het nadeel is dat er complexere algoritmen nodig zijn om de data te verwerken. Met behulp van verschillende programmeertechnieken zijn algoritmen voor machinaal leren in staat grote hoeveelheden data te verwerken en er nuttige informatie uit te halen. In plaats van een gedefinieerde en vaste probleemstelling kunnen deze algoritmen zich aanpassen aan de data door verborgen structuren dynamisch te herkennen, te veranderen en meer ontwikkeling achteraf te bieden. Dit staat bekend als "unsupervised learning". Het nadeel is dat deze systemen complex zijn en onberispelijk moeten worden gebouwd om te voorkomen dat het systeem de verkeerde punten verbindt.
Ten slotte is er reinforcement learning. Hierbij gaat het om een algoritme dat zichzelf verbetert en leert van nieuwe situaties door middel van een trial-and-error-methode. Gunstige resultaten worden aangemoedigd of "versterkt", en ongunstige resultaten worden ontmoedigd. Deze systemen vereisen nog steeds enige menselijke inbreng, maar minder dan supervised learning. Het systeem wordt gevoed met een grote hoeveelheid data en verbindt zelf de relaties, vergelijkbaar met leren zonder supervisie. Bij elke iteratie van het algoritme wordt het resultaat van de output aan de interpreet gegeven, een mens, die beslist of de uitkomst gunstig is of niet.
Indien het programma de juiste oplossing vindt, bekrachtigt de interpreet de oplossing door het algoritme een beloning te geven. Indien het resultaat niet gunstig is, wordt het algoritme gedwongen het proces te herhalen totdat het een beter resultaat vindt. Gewoonlijk doorloopt het systeem een enorme hoeveelheid gegevens en wordt het vaak opnieuw met dezelfde gegevens gevoed, waarbij het vele rondes doorloopt voordat de gunstige resultaten worden bereikt.
Ingenieurs kunnen zich voorbereiden op Industrie 4.0 door zich aan te passen aan de nieuwste beschikbare tools en te leren werken met deze nieuwe systemen, gebruikmakend van machines en robots. Kunstmatige intelligentie en machinaal leren zullen een belangrijk aspect worden van geavanceerde engineering, zij zullen helpen om engineeringgegevens efficiënter te beheren en zullen een essentieel onderdeel zijn van de toekomst van engineering. Hoe sneller het wordt aangenomen en aangepast, hoe sneller de techniek in staat zal zijn te profiteren van de voordelen van de technologie.
Machine learning-vooruitgang in de engineeringsector en de rol van de ingenieur.
Nu u een beter inzicht hebt in ML-systemen, hoe beïnvloeden ze de ingenieurssector? Machine Learning is een belangrijke rol gaan spelen in engineering. Het stelt ingenieurs in staat om eenvoudigere en snellere workflows te creëren en het strekt zich uit tot diep in het gegevensbeheer, waarbij de uitdagingen van big data worden verzacht en het beheer en de monitoring van big data wordt vereenvoudigd.
Autofabrikanten gebruiken al vele jaren robots aan de productielijn. In het begin voerden ze eenvoudige technische taken uit, maar nu kunnen ze precisiebewegingen uitvoeren voor de meest ingewikkelde onderdelen van het proces. ML-systemen maken deze slimme productielijnen en complexe fabricagetaken efficiënter, terwijl minder menselijke tussenkomst nodig is.
Veel ontwerp- en simulatietaken kunnen ook eenvoudiger worden gemaakt met ML, omdat zij het mogelijk maken ontwerp- en gewichtsbesparende opties te onderzoeken die voorheen niet mogelijk waren. Met behulp van innovatieve ontwerpen kunnen ingenieurs opties onderzoeken als nooit tevoren.
Tot slot kunnen ML-systemen worden gebruikt om barrières tussen afdelingen te slechten en helpen om gegevens effectief te beheren en er inzichten uit te halen. Ze kunnen automatisering bieden voor taken met een lage waarde en patronen ontdekken in gegevens, waardoor ingenieurs de handen vrij hebben voor taken met een hogere waarde.
Sommige ingenieurs hebben hun bezorgdheid geuit over automatisering en de mogelijkheid dat hun rol overbodig wordt. Uit een studie van de Stanford University blijkt echter dat er niets dreigt voor de werkgelegenheid, en zelfs als het zover komt, zal het worden gecompenseerd door de toegenomen mogelijkheden die de technologie biedt. En een rapport van de Universiteit van Oxford stelt dat beroepen in de wetenschap en techniek het minst bedreigd worden door en grote voordelen zullen ondervinden van kunstmatige intelligentie tools.
Ingenieurs kunnen zich voorbereiden op Industrie 4.0 door zich aan te passen aan de nieuwste beschikbare tools en te leren werken met deze nieuwe systemen, gebruikmakend van machines en robots. Kunstmatige intelligentie en ML zullen een belangrijk aspect worden van advanced engineering, zij zullen helpen om engineeringgegevens efficiënter te beheren. Hoe sneller het wordt toegepast, hoe sneller de advanced engineering sector in staat zal zijn te profiteren van de voordelen van de technologie.
Hoe kom je als ingenieur aan boeiende projecten?
Als 360-graden recruitment consultants zijn wij bij Amoria Bond niet alleen gespecialiseerde dienstverleners voor bedrijven en HR-professionals. Wij adviseren en plaatsen ook expliciet kandidaten in nieuwe projecten en vaste posities - zelfs in moeilijk te bereiken posities bij topbedrijven in de industrie. Onze focus ligt niet alleen op het plaatsingsproces, maar veel meer op jouw wensen en eisen. Wij verzorgen vele andere diensten voor je, zoals het voorbereiden van sollicitatiegesprekken of salarisonderhandelingen.
Er is meer vraag naar jouw vaardigheden dan ooit tevoren - maak gebruik van deze kans en neem contact op met mijn team en mij als jij op zoek bent naar een nieuwe, opwindende positie in de advanced engineering sector. Als u vragen hebt, helpen wij u graag verder.
