Abstrait

Machine Learning 2018 : Machine learning pour l'acquisition de données en temps réel dynamique - Erwin E Sniedzins - Mount Knowledge Inc

Erwin E. Sniedzins

Les données massives submergent les enseignants, les étudiants, les entreprises et les délégués, provoquant une énorme quantité de stress, d'insatisfaction et de manque de confiance dans l'acquisition de données. Plus de 3,8 milliards de personnes recherchent de l'aide à partir de 3,4 exaoctets de données traitées en permanence. Les réseaux neuronaux à algorithmes génétiques (GANN) et l'IA offrent un processus d'augmentation et de filtrage entre les exaoctets de données et les mégaoctets de données modifiées pour l'acquisition de données en utilisant le traitement du langage naturel (NLP) et la gamification modifiée dans le développement de nouvelles technologies. La conscience artificielle et le ML modifient le progrès cérébral de l'humanité en remplacement des développements et des réflexions routiniers et ennuyeux. Dans son système formateur, les individus ont développé leurs interfaces fonctionnelles de base pour décoder les informations qu'ils recevaient à travers leurs cinq reconnaissances : la vue, l'ouïe, l'odorat, le toucher et le goût. Récemment, GANN et NLP sont entrés pour offrir des processus de conversion des données en connaissances (DiK). Les recherches menées avec GANN et NLP ont permis de développer des instruments qui canalisent explicitement des données volumineuses et fusionnent ces données dans un micro-apprentissage autonome et une gamification refaite de tout DiK en continu et révolutionnaire. Le mélange de GA, NLP, MSRL et gamification dynamique a permis aux gens de vivre une diminution de leur DiK crucial de 32% mieux, plus rapidement et moins complexe et avec plus de conviction par rapport aux méthodologies d'apprentissage traditionnelles. La sélection dynamique des règles de planification pendant les opérations réelles a été reconnue comme une approche prometteuse pour la planification de la chaîne de montage. Pour que cette stratégie fonctionne efficacement, des connaissances suffisantes sont nécessaires pour permettre de prédire quelle règle est la meilleure à utiliser dans l'état actuel de la chaîne. Dans cet article, un nouvel algorithme d'apprentissage pour acquérir de telles connaissances est proposé. Dans cet algorithme, un arbre de décision binaire est automatiquement généré à l'aide de données empiriques obtenues par des simulations itératives de chaînes de montage, et il décide en temps réel quelle règle utiliser aux points de décision pendant les opérations de production particulières. La configuration du système de planification dynamique développé et donc l'algorithme d'apprentissage sont décrits en détail. Les résultats de simulation sur son application au problème de répartition sont discutés en référence à ses performances de planification et à sa capacité d'apprentissage. La planification dynamique des systèmes de production a principalement impliqué l'utilisation de règles de répartition. Dans le contexte des ateliers de fabrication conventionnels, on a constaté que les performances relatives de ces règles dépendent des attributs du système, et qu'aucune règle n'est dominante dans tous les scénarios possibles. Cela indique la nécessité de développer une approche de planification qui adopte une politique de sélection de règles de répartition dépendante de l'état.L'importance d'adapter la règle de répartition employée à l'état actuel du système est encore plus critique dans un système de fabrication flexible en raison des possibilités de routage de machines alternatives et du besoin d'une coordination accrue entre les différentes machines. L'expérience informatique indique que l'approche d'apprentissage augmenté se traduit par une amélioration des performances du système. De plus, la tactique de génération d'un arbre de décision montre l'efficacité de l'apprentissage inductif dans l'extraction et le classement des différents attributs du système pertinents pour décider de la règle de répartition acceptable à utiliser. La planification dans un système de fabrication flexible (FMS) doit prendre en compte le délai d'exécution plus court, l'environnement multitraitement, la souplesse des machines-outils et donc les états changeants de manière dynamique. L'approche de planification décrite dans cet article utilise un système basé sur les connaissances pour maintenir la méthode de planification non linéaire développée en IA. Le processus d'espace d'état pour la génération de plans, par chaînage avant ou arrière, peut gérer les exigences de planification propres à l'environnement FMS. Un prototype de ce système de planification a été implémenté sur une machine LISP et est appliqué pour résoudre le problème de planification dans les cellules de fabrication flexibles. Cette méthode de planification est caractérisée par son organisation basée sur la connaissance, son symbole, son inférence dans l'espace d'état et sa capacité de planification dynamique et de révision de plan. Elle fournit une base pour l'intégration de la planification intelligente, de l'ordonnancement et de l'apprentissage automatique dans les FMS.

Biographie:

Erwin E Sniedzins est le fondateur du Knowledge Generator™ (KG). Il est le président de Mount Knowledge Inc. Il a créé et distribué 12 livres et est professeur à l'université de Hebei et chef d'expédition du mont Everest.