Gerenciando enviesamento em modelos AIoT

aiot

A discussão sobre viés na inteligência artificial (IA) continua a chamar atenção para suas implicações sociais, e com razão. No entanto, os mesmos processos que fazem com que os modelos de aprendizado de máquina reforcem os estereótipos na sociedade podem afetar os esforços para usar essas tecnologias em aplicações com Inteligência Artificial para Internet das Coisas (AIoT) em ambientes industriais, saúde e muitos mais. Sem uma atenção cuidadosa aos dados usados ​​para construir esses modelos, as aplicações ficam aquém das expectativas, mesmo que as empresas e os indivíduos confiem mais em seus resultados.

Incentivadas pela pronta disponibilidade de ferramentas e hardware para a construção de aplicações baseados em Inteligência Artificial, as organizações em quase todos os segmentos de mercado estão correndo para tirar o máximo proveito de um crescente pool de fontes de dados habilitado pelo rápido surgimento de sensores inteligentes na área médica e industrial , e dispositivos de consumo, entre outros. De fato, os pesquisadores de mercado prevêem que o mercado global de Inteligência Artificial atingirá uma taxa composta de crescimento anual (CAGR) de quase 35 por cento até 2023. Para IA apenas no setor de manufatura, os pesquisadores preveem um CAGR de mais de 55 por cento até 2025. Vamos dar uma olhada em como a IA pode ser gerenciada nesses modelos.

A natureza atraente da Inteligência Artificial

O potencial de usar métodos de Inteligência Artificial para utilizar em aplicações inteligentes de forma rápida é bem atraente. As aplicações de AIoT capazes de prever falhas em maquinário industrial podem oferecer o alívio necessário de paradas não planejadas quando o equipamento falha. Em vez de verificar manualmente a integridade da máquina periodicamente, sensores como acelerômetros, microfones e temperatura podem alimentar fluxos de dados contínuos para aplicações de manutenção preditiva desenvolvidos com modelos de aprendizado de máquina treinados para identificar modos de falha iminentes bem antes que ocorram (Figura 1).

Figura 1: Ao analisar dados de vários tipos de sensores, os modelos de aprendizado de máquina para manutenção preditiva podem alertar sobre as falhas iminentes da máquina muito antes que levem à quebra do equipamento. (Fonte: STMicroelectronics)

Para manutenção preditiva de motores industriais, os desenvolvedores coletariam combinações de vibração, áudio e medições de temperatura associadas a modos de falha específicos, como desequilíbrio do motor, desalinhamento, acoplamento solto, rolamentos degradados e outros. Usando esses conjuntos de dados, eles usariam algoritmos de aprendizagem supervisionada, como árvores de decisão ou modelos de rede neural para prever posteriormente esses modos de falha a partir de dados de sensor recentes coletados de motores.

Essa abordagem é uma virtude e uma limitação. Ela permite a implantação de aplicações sofisticadas para detectar esses estados sem a necessidade de escrever um software complexo de reconhecimento de padrões. Infelizmente, ela também permite a implantação de aplicações que não enxergam os estados não suportados pelos dados de treinamento correspondentes e provavelmente favorecem os estados que dominam os dados de treinamento. Se o conjunto de dados de treinamento for fortemente ponderado para estados associados a vibrações e som de alta frequência, por exemplo, as previsões do modelo correspondente serão ponderadas para o tipo de falhas relacionadas ao rolamento associadas a essa combinação de medições do sensor. Idealmente, a chance do modelo prever um tipo específico de falha deve ser a mesma para cada tipo de falha, em vez de simplesmente depender de quantos dados correspondentes a cada tipo de falha foram coletados e usados ​​no treinamento.

Gerenciando enviesamento em Inteligência Artificial

O enviesamento do modelo aparece quando o ele tem maior probabilidade de prever um tipo de resultado em detrimento de outro. Pode surgir do tipo de viés de amostragem descrito acima ou de tentativas de limpar os dados, removendo dados que parecem ser outliers ao observador humano. Uma forma mais sutil surge do viés cognitivo inerente aos observadores humanos, que naturalmente trazem suas próprias percepções e compreensão do mundo para determinar o que é e o que não é relevante – tudo o que pode impactar sutilmente a eficácia dos modelos de aprendizado de máquina.

Pesquisadores de aprendizado de máquina e desenvolvedores experientes usam vários métodos para combater os efeitos do viés. Abordagens como o uso de algoritmos floresta de decisão aleatória ou coleções de redes neurais usam métodos de conjunto projetados para ajudar a evitar essas limitações. Outras abordagens se concentram em métodos de treinamento, usando redes generative adversarial networks (GANs) para gerar novos conjuntos de dados para aprimorar o treinamento da rede neural alvo. Ainda assim, outros métodos enfocam os próprios dados com abordagens que superam os dados de estados mal representados para fornecer dados de treinamento equilibrados. Os métodos de gerenciamento de viés em IA continuam sendo um tópico de pesquisa muito ativo.

Conclusão

Mesmo sem esses métodos mais avançados, os desenvolvedores de aplicações AIoT podem dar o primeiro passo no gerenciamento de tendências em seus modelos, simplesmente lembrando-se da importância crítica de coletar dados de treinamento que sejam verdadeiramente representativos de suas aplicações. Embora as plataformas de desenvolvimento e as ferramentas de software de algoritmo de aprendizado supervisionado tenham simplificado muito a implantação dos modelos de aprendizado de máquina, o componente mais crítico do desenvolvimento de aplicações e produtos baseado em aprendizado de máquina são os dados de treinamento imparciais.

Para artigos como esse, acesse o link.

Artigo escrito originalmente por Stephen Evanczuk e publicado no blog da Mouser Electronics: Managing Bias in AIoT Models

Traduzido por Equipe Embarcados.

Licença Creative Commons Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.

Receba os melhores conteúdos sobre sistemas eletrônicos embarcados, dicas, tutoriais e promoções.

Software » Gerenciando enviesamento em modelos AIoT
Comentários:
Notificações
Notificar
guest
0 Comentários
Inline Feedbacks
View all comments
Talvez você goste:

Séries

Menu

WEBINAR

Projeto de Hadware: ASIC e FPGA

DATA: 24/02 às 15h