محققان به چالش مهمی در استفاده از هوش مصنوعی برای تشخیص خرابی دستگاهها (Predictive Maintenance) پرداختهاند. در بسیاری از مدلهای فعلی، نحوه تقسیمبندی دادهها (Split کردن) باعث میشود مدل به جای یادگیری واقعی، دچار «نشت داده» شود و دقتهای کاذبی مثل ۹۹ درصد نشان دهد!
در این پژوهش جدید، با معرفی معماری AMTLNet و یک پروتکل جدید برای بررسی نشت داده، مشخص شد که چطور میتوان در پروژههای صنعتی و پیچیده (مثل سیستمهای هیدرولیک و موتورهای هواپیما)، با اطمینان بیشتری از هوش مصنوعی برای پیشبینی عمر باقیمانده قطعات (RUL) استفاده کرد.
این مقاله نقشه راهی برای مهندسان است تا در شرایط کمبود داده، تصمیم بگیرند چه زمانی استفاده از یادگیری چندوظیفهای (Multi-task Learning) واقعاً جواب میدهد. 📉✨
منبع: arXiv Machine Learning