機器學習 · 深度學習
Machine Learning / Deep Learning
什麼是機器學習?
- 從資料中自行學習規則
- 深度學習是其中強大的分支
- 不寫規則,讓它自己學習
導入效果最先顯現的不是程式碼,而是工作流程的順序。規則式系統中,每出現一次例外,開發者就得加上一個條件判斷;但在機器學習中,蒐集錯誤案例、再拿去訓練模型,成為基本的應對方式。因此專案工時有相當大的比例不在模型本身,而是花在資料蒐集、標註與驗證上;若現場無法定義「什麼才是正確答案」,再好的演算法也沒有可以學習的對象。這就是 AI 專案為何會從 IT 部門的工作,變成現場業務的工作。
學習方式大致分為三類。以正確答案標籤進行教學的監督式學習(不良判定、流失預測)、不附正確答案、自行找出資料群組的非監督式學習(客戶分群、異常偵測),以及對試錯行為給予獎勵的強化學習(庫存配置、路徑最佳化)。深度學習與其餘方法的區分標準,在於特徵由誰來萃取。傳統機器學習是由人設計「厚度」「星期幾」「停留時間」等變數放入模型,深度學習則直接從像素或文字等原始資料自行擷取特徵。相對地,它需要大量資料與運算,因此若只是數千筆的表格型內部資料,深度學習並不一定更有利。在這個規模下,決策樹類方法通常更快,也更容易解釋。
在現場最常出錯的地方,是準確率這個數字。不良率 3% 的產線上,即使模型全部回答「良品」,準確率也會顯示 97%。只看這個數字就減少目視檢查,結果遭客訴的事情確實會發生。將檢出率與誤判率分開回報,才是安全的做法。另一個誤解是「一次建好就一勞永逸」。原料、設備或客戶組成一旦改變,模型就會與學習當時的模式脫節,效能悄悄下降(資料漂移),幾個月過去都沒人察覺。若不預先在營運規則中明訂重新訓練的週期與負責人,最後只會留下一個責任歸屬不明的模型。
「機器學習」一詞據信是 1959 年 IBM 的 Arthur Samuel 所創。深度學習則在 2010 年代初,隨著資料量與運算能力成長,在影像與語音辨識上取得重大成果而崛起。
以下以假設案例說明。A 公司是全體員工 260 人、年營收約 KRW 48,000,000,000 (≈ US$35,926,500) 的汽車用射出成型零件製造商。外觀檢驗由 9 名檢驗員以肉眼負責,結果夜班每月的不良品流出反覆達 30 件上下,客戶客訴也升至每季 4 件。品質保證組將導入深度學習視覺檢驗訂為為期 5 個月的專案。
- 品質保證組朴副理最先做的,不是寫規則,而是蒐集照片。他用產線相機重新拍攝,累積了 3 個月的良品 12,000 張與不良品 1,400 張。
- 標註時曾經卡關一次。三位檢驗員看同一張照片,一人標成「刮痕」,另一人標成「異物」,Park 副理於是把界限樣本照片 40 張貼在牆上,並將標準統一為「比這更深就算不良」。
- 第一版模型的準確率為 96%,但生產團隊的反應卻很冷淡。不良品只佔全體的 3%,因此即使全部判定為良品也能得到 97% 的準確率,這樣的數據實際上不良品檢出率只有 62%。
- 生產組長整理說「與其漏掉,不如過檢」,於是降低判定門檻,所有可疑案件都改送複檢線。過檢雖然增加,但檢驗員每天只需複看 180 張。
- 6 週後,原料供應商換了,表面光澤跟著改變,檢出率一下子掉到 71%。之後在營運規則中明訂「每月 1 次,以 500 張新影像重新訓練」,並把負責人定為 Park 副理。
- 5 個月後,不良品流出從 每月 30 件降到 4 件,客戶客訴也從每季 4 件降為 0 件。9 名檢驗員中有 4 人轉調負責複檢與設備點檢工作。
金鍾赫
Ja-ryong Gu