Automatic generation of insights from workers’ actions in industrial workflows with explainable Machine Learning

要約

機械学習 (ML) などの新しいテクノロジーは、業界のワークフローを評価し、主要業績評価指標 (KPI) を自動的に生成する大きな可能性をもたらしました。
しかし、産業機械の効率を測定するための確立された基準にもかかわらず、次世代の業界ワークフローに必要な熟練した労働力が不足していることを考えると、労働者の生産性について正確に同等なものはありません。これは非常に望ましいことです。
したがって、製造プロセスからのデータとその目標に向けた作業者のパフォーマンスを組み合わせた ML ソリューションが必要です。
さらに、最近では、人間のオペレーターに決定を自動的に説明できる説明可能な ML アプローチに熱心な努力が払われており、信頼性が向上しています。
私たちは、説明可能な ML ソリューションを適用して、産業ワークフローにおける熟練労働者と専門知識のない労働者を区別することを提案し、それを品質評価産業ワークステーションで検証します。
使用される方法論に関しては、入力データは製造機械によって取得され、NoSQL データベースに保存されます。
データは、自動分類で使用される機能を設計し、従業員の専門知識レベルを予測するために従業員の KPI を計算するために処理されます (すべての分類指標が 90 % を超えています)。
これらの KPI と意思決定に関連する特徴は、説明可能性ダッシュボード上の自然言語拡張によってテキストで説明されます。
これらの自動説明により、専門知識のない作業者が熟練作業者の知識を推測することが可能になりました。
後者は、産業ワークフローの生産性を向上させるための洞察を自動的に生成するための、自己説明可能な ML の研究の関心を示しています。

要約(オリジナル)

New technologies such as Machine Learning (ML) gave great potential for evaluating industry workflows and automatically generating key performance indicators (KPIs). However, despite established standards for measuring the efficiency of industrial machinery, there is no precise equivalent for workers’ productivity, which would be highly desirable given the lack of a skilled workforce for the next generation of industry workflows. Therefore, an ML solution combining data from manufacturing processes and workers’ performance for that goal is required. Additionally, in recent times intense effort has been devoted to explainable ML approaches that can automatically explain their decisions to a human operator, thus increasing their trustworthiness. We propose to apply explainable ML solutions to differentiate between expert and inexpert workers in industrial workflows, which we validate at a quality assessment industrial workstation. Regarding the methodology used, input data are captured by a manufacturing machine and stored in a NoSQL database. Data are processed to engineer features used in automatic classification and to compute workers’ KPIs to predict their level of expertise (with all classification metrics exceeding 90 %). These KPIs, and the relevant features in the decisions are textually explained by natural language expansion on an explainability dashboard. These automatic explanations made it possible to infer knowledge from expert workers for inexpert workers. The latter illustrates the interest of research in self-explainable ML for automatically generating insights to improve productivity in industrial workflows.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google