مروری بر یادگیری ماشین و داده کاوی در صنعت تولید

سازمان ها و شرکت های تولیدی، برای تحقق اهداف اصلی خود، نیازمند استفاده از شیوه ها و ابزارهای گوناگونی هستند. استفاده از فناوری و ابزارهای یادگیری ماشین و داده کاوی، می تواند برای مقابله با چالش های تولید بسیار مفید باشد. پژوهش حاضر، با مرور ادبیات در این زمینه، یک نمای کلی از چگونگی استفاده از شیوه های یادگیری ماشین برای تحقق سازوکارهای تولید مبتنی بر اقدامات هوشمند ارائه می دهد. هدف پژوهش حاضر، ارائه یک درک کامل از رویکردها و الگوریتم های اصلی مورد استفاده برای بهبود فرآیندهای تولید در دو دهه گذشته است. پژوهش های پیشین در زمینه یادگیری ماشین و پیشرفت های تولید را می توان در چهار موضوع اصلی دسته بندی نمود: برنامه ریزی، نظارت، کیفیت و شکست. این دسته بندی، راه حل های موجود در تولید را با توجه به جنبه های گوناگونی از جمله وظایف (مانند خوشه بندی، دیسته بندی و رگرسیون)، الگوریتم ها (مانند ماشین بردار پشتیبان و شبکه عصبی)، انواع یادگیری (مانند یادگیری گروهی و یادگیری عمیق) و معیارهای عملکرد (مانند دقت و میانگین خطای مطلق)، مورد بررسی قرار می دهد. همچنین در این پژوهش، مراحل اصلی کشف دانش در پایگاه های داده، که در برنامه های کاربردی تولید دنبال می شوند، به تفصیل بیان شده اند. علاوه بر این، ضمن اشاره به برخی از آمارها در مورد وضعیت کنونی، مزایای استفاده از شیوه های یادگیری ماشین در تولید بیان شده و راه های غلبه بر چالش های خاص در زمینه یادگیری ماشین و داده کاوی بیان شده اند. مباحث ارائه شده، مسیر پژوهش های احتمالی آینده را روشن تر می-سازد.

کلیدواژه ها:

یادگیری ماشین ، داده کاوی ، تولید ، طبقه بندی ، خوشه بندی