В последние годы технологии машинного обучения постепенно внедряются во все сферы бизнеса, включая промышленность. Одна из перспективных задач — автоматизированная оценка трудоёмкости различных производственных операций. Мы решили проверить, насколько реально обучить ML оценивать объем человеческой работы на предприятии и хотим поделиться полученными результатами. Первым шагом стал сбор исторических данных о выполненных операциях, включая их описание, затраченное время и задействованный персонал. Далее данные были преобразованы в удобный для анализа формат, чтобы алгоритмы могли выявлять скрытые закономерности.
Для обучения мы выбрали несколько моделей ML, которые умеют работать с разнородными данными, — от простых линейных до сложных нейросетей. На этапе тестирования выяснилось, что расхождение в предсказаниях моделей может быть довольно значительным: некоторые операции алгоритмы оценивали точно, тогда как другие были ощутимо переоценены или недооценены. Один из самых заметных выводов — многое зависит от качества исходных данных.
Недостаточно просто загрузить информацию в ML: важно обеспечить ее полноту, корректность и учитывать нюансы реального производственного процесса, которые зачастую не описаны явно. Что же в итоге? Машинное обучение действительно способно облегчать расчеты и ускорять анализ трудозатрат, особенно на типовых задачах.
Однако пока ML не умеет учитывать специфические особенности нестандартных случаев, которые часто встречаются на производстве. Наш эксперимент показал: ML — перспективный инструмент для подсчета трудоёмкости, но без опыта инженеров и качественных данных он не сможет заменить человеческую внимательность и экспертные знания. С учетом этого мы продолжаем совершенствовать методику, надеясь, что в будущем искусственный интеллект все лучше будет понимать сложный мир промышленного производства.
Об авторе
