論文の概要: Machine Learning in High Volume Media Manufacturing

• arxiv url: http://arxiv.org/abs/2407.08933v1
• Date: Fri, 12 Jul 2024 02:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 01:06:33.995059
• Title: Machine Learning in High Volume Media Manufacturing
• Title（参考訳）: 高ボリュームメディア製造における機械学習
• Authors: Siddarth Reddy Karuka, Abhinav Sunderrajan, Zheng Zheng, Yong Woon Tiean, Ganesh Nagappan, Allan Luk,
• Abstract要約: 大量生産環境でのエラーや失敗は、時間とお金の損失をもたらす可能性がある。 ここではルールベースの決定と機械学習モデルを組み合わせた新しいプログラムを開発する。 現在の最先端技術を用いて、我々はこのプログラムを大規模に展開し、製造環境からの需要の増加に対処する。
• 参考スコア（独自算出の注目度）: 1.382583764958495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Errors or failures in a high-volume manufacturing environment can have significant impact that can result in both the loss of time and money. Identifying such failures early has been a top priority for manufacturing industries and various rule-based algorithms have been developed over the years. However, catching these failures is time consuming and such algorithms cannot adapt well to changes in designs, and sometimes variations in everyday behavior. More importantly, the number of units to monitor in a high-volume manufacturing environment is too big for manual monitoring or for a simple program. Here we develop a novel program that combines both rule-based decisions and machine learning models that can not only learn and adapt to such day-to-day variations or long-term design changes, but also can be applied at scale to the high number of manufacturing units in use today. Using the current state-of-the-art technologies, we then deploy this program at-scale to handle the needs of ever-increasing demand from the manufacturing environment.
• Abstract（参考訳）: 大量生産環境でのエラーや失敗は、時間とお金の損失をもたらす大きな影響を与える可能性がある。 このような失敗を早期に特定することは製造業にとって最優先事項であり、長年にわたり様々なルールベースのアルゴリズムが開発されてきた。 しかし、これらの失敗をキャッチすることは時間がかかり、そのようなアルゴリズムは設計の変化にうまく適応できない。 さらに重要なのは、大量生産環境で監視するユニットの数は、手動の監視や単純なプログラムには大きすぎることだ。 ここでは、ルールベースの意思決定と機械学習モデルを組み合わせて、このような日々のバリエーションや長期的なデザインの変更を学習し、適応できるだけでなく、現在使われている多くの製造ユニットにも大規模に適用できる新しいプログラムを開発する。 現在の最先端技術を用いて、我々はこのプログラムを大規模に展開し、製造環境からの需要の増加に対処する。

関連論文リスト

• Successive Refinement in Large-Scale Computation: Advancing Model Inference Applications [67.76749044675721]
  階層化分解能計算の解を導入する。 これらの解により、最終結果よりも早い段階でより解像度の低い結果が得られる。
  論文  参考訳（メタデータ） (2024-02-11T15:36:33Z)
• Quantifying Process Quality: The Role of Effective Organizational Learning in Software Evolution [0.0]
  現実世界のソフトウェアアプリケーションは、常に進化し続けなければならない。 ソフトウェア品質管理の従来の手法には、ソフトウェアの品質モデルと継続的コード検査ツールが含まれる。 しかし、開発プロセスの品質と結果のソフトウェア製品との間には、強い相関関係と因果関係がある。
  論文  参考訳（メタデータ） (2023-05-29T12:57:14Z)
• Machine Learning with Requirements: a Manifesto [114.97965827971132]
  要件定義と満足度は、マシンラーニングモデルが現実世界にさらに適合するように、長い道のりを歩むことができる、と私たちは主張しています。 私たちは、要求仕様を標準の機械学習開発パイプラインにうまく組み込む方法を示します。
  論文  参考訳（メタデータ） (2023-04-07T14:47:13Z)
• Continual learning on deployment pipelines for Machine Learning Systems [4.884688557957589]
  機械学習システムの展開は、非常に重要なトピックになりつつある。 本稿では、理論と実践における様々な技術の利点とデメリットを比較した。 また、機械学習システムのデプロイに対する評価フレームワークの意識を高めることも目標としている。
  論文  参考訳（メタデータ） (2022-12-05T23:40:57Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Soft-Sensing ConFormer: A Curriculum Learning-based Convolutional Transformer [4.881725094341089]
  ウェーハ故障診断のためのソフトセンシング型コンバータ(畳み込み変換器)を提案する。 ソフトセンシングのConFormerモデルをカリキュラムベースの損失関数で強化し、トレーニングの初期段階で簡単なサンプルを効果的に学習し、その後に難易度を学習する。 私たちの知る限りでは、カリキュラムベースのソフトセンシングConFormerアーキテクチャがソフトセンシングデータに対して提案されたのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-11-12T23:29:43Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)
• One-Shot Recognition of Manufacturing Defects in Steel Surfaces [1.0987465819113238]
  本稿では,課題のワンショット認識にシームズ畳み込みニューラルネットワークを適用することを提案する。 本研究は, 鋼表面欠陥の同定により, 鋼の品質管理にワンショット学習が有効であることを示すものである。
  論文  参考訳（メタデータ） (2020-05-12T14:30:03Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。