مهندسان، مدیران کیفیت، متخصصان اتوماسیون و سایر تصمیم‌گیرندگان در تولید، از هوش مصنوعی به طرق مختلف بهره می‌برند. بینایی کامپیوتر نقص‌ها را شناسایی می‌کند و مصورسازی داده‌ها، مشکلات تعمیر و نگهداری را پیش‌بینی می‌کند. با این حال، حسگرهای خودکار و تجزیه و تحلیل اطلاعات می‌توانند نتایج مثبت کاذب ایجاد کنند و تکنسین‌ها را با هشدارهای مداوم خسته کنند. چگونه سازمان‌ها می‌توانند این هشدارها را حذف کرده و منابع را به آنچه که بیشترین اهمیت را دارد اختصاص دهند؟
درک علل ریشه‌ای نتایج مثبت کاذب
شناسایی نتایج مثبت کاذب تقریباً به اندازه تشخیص نگرانی‌های واقعی در طول فرآیندهای کنترل کیفیت (QC) مهم است. این امر، نارسایی‌های آموزشی مدل و فرصت‌هایی را برای اپراتورها برای بهبود گردش کار آشکار می‌کند. کارکنان می‌توانند اکثر نتایج مثبت کاذب را به مرور زمان حذف کنند، اما با ورود تجهیزات، فرآیندها و داده‌های جدید به بخش تولید، موارد بیشتری ظاهر می‌شوند.
کارشناسان باید این فرآیندها را اصلاح کنند تا پتانسیل هوش مصنوعی در صنعت آشکار شود. در غیر این صورت، اعتبار و قابلیت دوام این فناوری زیر سوال خواهد رفت و ذینفعان آن را به عنوان یک روند دیگر رد می‌کنند. شرکت‌ها در حال آزمایش هوش مصنوعی برای بهبود تشخیص نقص هستند زیرا باعث صرفه‌جویی در زمان و منابعی می‌شود که در طول بازرسی‌های دستی خسته‌کننده به هدر می‌روند.
رونمایی از قابلیت‌های آن نیاز به فداکاری و تجزیه و تحلیل ریشه‌ای دارد. علل رایج مثبت کاذب عبارتند از:
برازش بیش از حد مدل
مشکلات امنیت سایبری
یکپارچگی ضعیف داده‌ها
پشتیبانی ناکافی از تجهیزات
نویز سنسور
هفت استراتژی اثبات‌شده برای کاهش مثبت کاذب در کنترل کیفیت مبتنی بر هوش مصنوعی
جلوگیری از دوباره‌کاری و اتلاف غیرضروری برای عملیات روان‌تر و دیجیتال‌محور حیاتی است. به‌کارگیری این استراتژی‌ها می‌تواند اعتماد به اتوماسیون را افزایش دهد.
- بهبود کیفیت داده‌ها و برچسب‌گذاری
شناسایی فرورفتگی‌ها در فلز یا چاپ نادرست روی برچسب‌ها نیاز به مجموعه داده‌های با کیفیت بالا و قوی دارد. این مجموعه داده‌ها باید تمام نگرانی‌های موجود در سازمان را نشان دهند. در غیر این صورت، نقص‌ها بدون اینکه مدل بداند کجا را جستجو کند، از بین می‌روند.
این امر همچنین زمانی ضروری است که یک مرکز شامل تولید و بسته‌بندی سفارشی باشد. ابزارهای هوش مصنوعی در این مراکز می‌توانند به سرعت روندهای بازار را شناسایی کنند و به تولیدکنندگان کمک کنند تا اطمینان حاصل کنند که محصولاتشان نیازهای مشتری را برآورده می‌کند. با این حال، مثبت کاذب در کنترل کیفیت مبتنی بر هوش مصنوعی می‌تواند زمان و منابع را هدر دهد و زمان عرضه به بازار را بدون سود رساندن به مشتریان افزایش دهد. تکنسین‌ها می‌توانند پیشنهاد دهند که چگونه ماشین‌های کنترل کیفیت مبتنی بر هوش مصنوعی را بهتر آموزش دهند، زیرا آنها مشکلات را از نزدیک می‌بینند.
۲. استفاده از تکنیک‌های پیش‌پردازش پیشرفته
صداها سیگنال‌های هوش مصنوعی را مختل می‌کنند، بنابراین حذف آنها به الگوریتم یادگیری عمیق کمک می‌کند تا ثابت بماند. کسب‌وکارها می‌توانند از مهندسان و دانشمندان هوش مصنوعی برای حذف نویز اضافی و نرمال‌سازی داده‌ها کمک بگیرند. این کار جنبه‌های نامربوط مجموعه داده‌ها را حذف کرده و سابقه‌ای برای تمیز کردن منظم ایجاد می‌کند.
آنها همچنین می‌توانند از مهندسی ویژگی برای تنظیم فرآیندهای استاندارد هوش مصنوعی برای تنظیمات و کاربرد استفاده کنند. این تکنیک‌های پردازش مجدد، موارد مثبت کاذب را کمتر می‌کنند زیرا مدل‌ها با ظرافت بیشتری آموزش می‌بینند.
۳. به‌روزرسانی و آموزش مجدد منظم مدل‌ها
مدل‌ها باید آموزش و بازآموزی مداوم دریافت کنند. این امر به ویژه برای مقیاس‌بندی کسب‌وکارهایی که وارد حوزه‌ها و بازارهای عمودی جدید می‌شوند، بسیار مهم است. معرفی مواد جدید و استخدام کارمندان جدید می‌تواند انواع نقص‌های دیده نشده‌ای را ایجاد کند. ذینفعان باید یک تیم اختصاصی برای مدیریت این تلاش ایجاد کنند.
۴. پیاده‌سازی سیستم‌های انسان در حلقه (HITL)
یک متخصص انسانی می‌تواند در لبه فرآیند تولید حضور داشته باشد. HITL یک رویکرد کنترل کیفیت مشارکتی را با بررسی‌ها و تعادل‌های بیشتر ترویج می‌دهد. این تعامل به مربیان هوش مصنوعی یک حلقه بازخورد مداوم از میزان اثربخشی برنامه‌نویسی و آموزش می‌دهد.
- استفاده از ابزارهای هوش مصنوعی قابل توضیح (XAI)
XAI مدل‌های مولد را مجبور می‌کند تا منبع اطلاعات را پیدا کنند. این تأیید، خطر توهم، سوگیری و آموزش تقویت منفی را کاهش می‌دهد. اگر شکاف منطقی وجود داشته باشد، کارگران می‌توانند عدم دقت را در منبع اصلاح کنند. در مدل‌های مرسوم، کارگران باید به صورت دستی داده‌ها را بررسی کنند تا کاتالیزورهای بالقوه برای قضاوت ضعیف را پیدا کنند.
- بهینه سازی آستانه‌ها و قوانین تصمیم‌گیری
بسیاری از نتایج مثبت کاذب به این دلیل ایجاد می‌شوند که یک الگوریتم به پارامترهایی مانند اندازه یا رنگ بیش از حد حساس است. تکنسین‌ها باید به طور منظم تصمیم‌گیری هوش مصنوعی را ارزیابی کنند تا اطمینان حاصل شود که با انتظارات کارگران همسو است. برخی مطالعات پیشنهاد می‌کنند که یک کلاس مشکوک را برای اشاره به نگرانی‌های کیفی بدون علامت‌گذاری فوری یک نتیجه مثبت کاذب بالقوه، در نظر بگیرید. - نظارت و تجزیه و تحلیل معیارهای عملکرد
نظارت مداوم از سایر دستگاه‌ها و مداخله انسانی باید بر شاخص‌های کلیدی عملکرد تأثیر بگذارد. استانداردهای کنترل کیفیت باید مطابق با استانداردها باشند، اما همچنین باید دائماً در حال تغییر باشند، بدون اینکه اپراتورها را به کارهای نگهداری نادرست زیادی بفرستند.
کارگران کف می‌توانند با مهندسان هوش مصنوعی در مورد آنچه که مرتباً متوجه می‌شوند، بحث کنند. سپس متخصصان می‌توانند از این بینش‌ها برای اطلاع‌رسانی در مورد نمرات F1، به ویژه در مؤلفه دقت، استفاده کنند. نمرات F1 شاخص اصلی گردش‌های کاری موفق کنترل کیفیت در تأسیسات صنعت ۴.۰ بوده‌اند.
