Loading...
Publication
Planeamento de Produção e Aprendizagem Envolvendo Interação Inteligente com o Utilizador
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.94 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
No mundo em constante evolução de hoje, o planeamento eficaz de produção destaca-se como
um pilar fundamental para o sucesso de indústrias e empresas. Em anos recentes, a guerra na
Ucrânia assim como a COVID-19, criaram situações como aumento dos custos de produção e
escassez de mão-de-obra que a indústria não estava equipada para lidar. Nesta era da Indústria
4.0, onde tecnologia redefine todo o cenário industrial, a necessidade de soluções inteligentes
e adaptáveis para o planeamento de produção nunca foi tão evidente. Tomar decisões
oportunas, alocar recursos e agendar tarefas são fundamentais para atendar as expetativas dos
clientes, minimizar custos e manter uma vantagem competitiva. Estes desafios da produção
moderna deixam claro que uma profunda compreensão de inteligência artificial e a sua
utilização na aprendizagem através de interações inteligentes com o utilizador são
fundamentais para alcançar soluções inovadores. Neste contexto, é proposto um conjunto de
sistemas, que juntos, é capaz de melhorar o processo de agendamento de tarefas com um foco
em técnicas de inteligência artificial explicável, com o objetivo de remodelar a forma como as
indústrias abordam e aprimoram os seus processos de planeamento de produção.
Na totalidade são desenvolvidos três sistemas principais. O primeiro é responsável por interagir
com o utilizador de forma a recolher informação. Com esse intuito, é desenvolvida uma
interface gráfica. Quando iniciada a interface, o utilizador tem disponível uma solução inicial
para o escalonamento de produção no chão de fábrica, este solução é disponibilizada por um
algoritmo genético externo ao sistema em causa. De seguida, o utilizador faz as alterações
desejadas ao escalonamento, alterações estas que serão guardadas e futuramente utilizadas
pelos restantes sistemas. Para o desenvolvimento da interface foi selecionada uma Single Page
Application, a sua implementação foi feita recorrendo à biblioteca de JavaScript Vue.js, a
decisão da escolha foi influenciada pela sua simplicidade e baixo consumo de recursos.
O segundo sistema tem como objetivo prever quais as tarefas que serão alteradas pelo
utilizador. Para esse efeito é desenvolvido um modelo de aprendizagem automática preditiva
que procura classificar cada tarefa como alterada ou não alterada. Para o processo de treino do
modelo é utilizada a informação obtida pela interface gráfica através da interação com o
utilizador, esta informação é pré-processada recorrendo a técnicas como binary enconding para
transformar variáveis categóricas em variáveis numéricas e random oversampling, esta técnica
visa o equilíbrio dos dados através da duplicação aleatória de exemplos da classe minoritária.
O modelo de aprendizagem automática utilizado foi Gradient Boosting Classifier devido à sua
alta precisão, ampla aplicabilidade e transparência que será útil para o componente de
inteligência artificial explicável. Ao modelo é ainda submetido ao processo Hyperparameter
Tuning, onde os hiperparâmetros: número de estimadores, taxa de aprendizagem,
profundidade máxima, número mínimo de amostras para cada bifurcação, e número mínimo
de amostras para cada folha são otimizados para o conjunto de dados utilizado.
Para o componente de inteligência artificial explicável são utilizadas duas técnicas distintas:
LIME (Local Interpretable Model-Agnostic Explanations) e SHAP (SHapley Additive exPlanations).
Esta primeira técnica de interpretabilidade é versátil, pois funciona quando aplicada a qualquer
modelo de aprendizagem automática. Ela obtêm os seus resultados analisando o
comportamento do modelo inicial quando as variáveis de uma instância são alteradas. Trata-se
de uma técnica de interpretabilidade local visto que procura explicar uma previsão específica e
não o modelo como um todo. A segunda técnica de interpretabilidade é um abordagem
baseada em teoria de jogos que fornece uma abordagem geral de calcular como cada variável contribui para uma previsão. Segundo esta técnica, cada previsão de um modelo é explicada
como uma soma ponderada das contribuições de cada variável. Tal como a técnica LIME, SHAP
pode ser aplicada a qualquer modelo, no entanto, esta técnica fornece uma abordagem global
para entender como cada caraterística contribui para as previsões do modelo.
Embora as duas técnicas abordem a interpretabilidade de maneiras ligeiramente diferentes, a
sua combinação pode ser utilizada de forma a complementar e aprimorar a robustez e
interpretabilidade do sistema, fornecendo explicações mais sólidas e abrangentes.
Cada instância é explicada através de pesos atribuídos a cada uma das suas variáveis, pesos
estes que são principalmente diferenciados pelo seu sinal. Enquanto pesos positivos
representam impacto positivo na classificação do modelo de aprendizagem automático
preditivo, pesos negativos representam o oposto. Estas explicações detalhadas permitem-nos
compreender não apenas quais variáveis são mais relevantes para o modelo, mas também
como influenciam as suas previsões, fornecendo informação valiosa sobre o funcionamento
interno do modelo e o processo de tomada de decisões. Além disso, essas análises também
fornecem informações sobre o conjunto de dados utilizado, ajudando-nos a entender melhor
os padrões e relações presentes nos dados, assim como possíveis problemas existentes nele.
O sistema foi construído com base em dados criados por meio da aplicação de um conjunto de
alterações sistemáticas a várias soluções de escalonamento. No total foram aplicadas cinco
regras distintas. No final deste processo, foram preparadas três instâncias novas para cada uma
das regras com o intuito da as usar no processo de validação do componente de
interpretabilidade do projeto.
In today's ever-evolving world, effective production planning stands as a fundamental pillar for the success of industries and businesses. In the era of Industry 4.0, where technology reshapes the industrial landscape, the need for intelligent and adaptable production planning solutions has never been more evident. Timely decision-making, resource allocation, and task scheduling are crucial to meeting customer expectations, minimizing costs, and maintaining a competitive edge. To address this need, this dissertation proposes a new system capable of optimizing task scheduling. To achieve this goal, an interpretable system uses explainable Artificial Intelligence (xAI) techniques LIME (Local Interpretable Model-Agnostic Explanations) and SHAP (SHapley Additive exPlanations), in combination with a User Interface (UI) where the user will make the necessary changes to the initial scheduling solution, and a predictive model developed using a Gradient Boosting Classifier (GBC) to find patterns in the user’s changes and use that knowledge to improve the initial scheduling solution. Each feature of each instance is assigned with weight describing its impact on the prediction which will be used to explain how instances are classified by the predictive model.
In today's ever-evolving world, effective production planning stands as a fundamental pillar for the success of industries and businesses. In the era of Industry 4.0, where technology reshapes the industrial landscape, the need for intelligent and adaptable production planning solutions has never been more evident. Timely decision-making, resource allocation, and task scheduling are crucial to meeting customer expectations, minimizing costs, and maintaining a competitive edge. To address this need, this dissertation proposes a new system capable of optimizing task scheduling. To achieve this goal, an interpretable system uses explainable Artificial Intelligence (xAI) techniques LIME (Local Interpretable Model-Agnostic Explanations) and SHAP (SHapley Additive exPlanations), in combination with a User Interface (UI) where the user will make the necessary changes to the initial scheduling solution, and a predictive model developed using a Gradient Boosting Classifier (GBC) to find patterns in the user’s changes and use that knowledge to improve the initial scheduling solution. Each feature of each instance is assigned with weight describing its impact on the prediction which will be used to explain how instances are classified by the predictive model.
Description
Keywords
interpretability SHAP LIME user interaction feature impact predictive model