Lessons from Usable ML Deployments and Application to Wind Turbine Monitoring

要約

私たちがいわゆる使用可能な ML (説明と他の拡張情報の両方を含む説明可能な ML の一歩先) を現実世界の領域に展開した過去の経験を通じて、私たちは 3 つの重要な教訓を学びました。
まず、多くの組織が、ML 開発者とドメイン専門家の間のギャップを埋めるため、「ブリッジ」と呼ばれる人材を雇用し始めており、これらの人材は、使用可能な ML アプリケーションの開発において貴重な役割を果たします。
2 番目に、ブリッジとのコラボレーション中に使用可能な ML インターフェイスで簡単に反復できる構成可能なシステムが重要です。
最後に、使用可能な ML の実世界への影響を定量化するために、継続的な導入中の評価が必要です。
このペーパーでは、これらの教訓を、再生可能エネルギー分野で不可欠なタスクである風力タービンのモニタリングのタスクに適用します。
タービン エンジニアとデータ アナリストは、ブレーキパッド故障の潜在的なケースを防ぐために、タービンに関して費用のかかる対面調査を実行するかどうかを決定する必要があります。適切に調整された使用可能な ML インターフェイスは、この意思決定プロセスに役立ちます。
私たちのレッスンをこのタスクに適用することで、再生可能エネルギー領域における使用可能な ML の潜在的な現実世界への影響を実証したいと考えています。

要約(オリジナル)

Through past experiences deploying what we call usable ML (one step beyond explainable ML, including both explanations and other augmenting information) to real-world domains, we have learned three key lessons. First, many organizations are beginning to hire people who we call “bridges” because they bridge the gap between ML developers and domain experts, and these people fill a valuable role in developing usable ML applications. Second, a configurable system that enables easily iterating on usable ML interfaces during collaborations with bridges is key. Finally, there is a need for continuous, in-deployment evaluations to quantify the real-world impact of usable ML. Throughout this paper, we apply these lessons to the task of wind turbine monitoring, an essential task in the renewable energy domain. Turbine engineers and data analysts must decide whether to perform costly in-person investigations on turbines to prevent potential cases of brakepad failure, and well-tuned usable ML interfaces can aid with this decision-making process. Through the applications of our lessons to this task, we hope to demonstrate the potential real-world impact of usable ML in the renewable energy domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google