توضیحات
This book provides a comprehensive overview of the latest developments in Explainable AI (XAI) and its applications in manufacturing. It covers the various methods, tools, and technologies that are being used to make AI more understandable and communicable for factory workers. With the increasing use of AI in manufacturing, there is a growing need to address the limitations of advanced AI methods that are difficult to understand or explain to those without a background in AI. This book addresses this need by providing a systematic review of the latest research and advancements in XAI specifically tailored for the manufacturing industry.
Artificial Intelligence (AI) are technologies that enable computers to imitate human behavior. The computing speed, storage capacity, reliability, and interconnectivity of computers combined with human reasoning patterns give AI the ability to solve complex and large-scale problems. Explainable Artificial Intelligence (XAI) is a new trend in AI.
In the Chapter 1, XAI is first defined. A procedure for implementing XAI is also established. Then, through a literature analysis, applications of XAI in various domains, such as medicine, service, education, finance, health care, manufacturing, food, and military, are compared. Some representative cases in these domains are also reported. Subsequently, several applications of XAI in the manufacturing domain are reviewed, including explaining the classification process and result of jobs in a factory, explaining an ANN-based cycle time prediction method, comparing the effects of the components of an alloy using SHAP analysis, etc.
Chapter 2, Applications of XAI for Forecasting in the Manufacturing Domain, focuses on forecasting, an important function of manufacturing systems. Many operation and production activities, such as cycle time forecasting, sales forecasting, unit cost reduction, predictive maintenance, yield learning, etc., are based on forecasting. This chapter takes job cycle time forecasting as an example. There are several applications of AI techniques for job cycle time prediction. Among these, ANN (or DNN) applications are the most effective, but very difficult for factory workers to understand or communicate. To address this issue, existing XAI techniques and tools for explaining the reasoning process and result of ANNs (or DNNs) are introduced. We first introduce XAI tools for visualizing operations in ANNs (or DNNs), such as ConvNetJS, TensorFlow, Seq2Seq, and MATLAB, and then mention XAI techniques for evaluating the effect, contribution, or importance of each input on the output, including partial derivation, odd ratio, out-of-bag (OOB) predictor importance, recursive feature elimination (RFE), and SHAP. Subsequently, XAI techniques for approximating the relationship between the inputs and output of an ANN (or DNN), especially simpler Machine Learning techniques like case-based reasoning (CBR), classification and regression tree (CART), RF, gradient boosted decision tree, eXtreme gradient boosting (XGBoost), and RF-based incremental interpretation, are introduced. The application of each XAI technique is supplemented by simple examples and corresponding MATLAB codes, allowing readers to learn quickly.
Chapter 3, Applications of XAI for Decision Making in the Manufacturing Domain, deals with an important topic in factory management, namely improving the understandability of AI applications for group multi-criteria decision making in manufacturing systems. Decision making may be more critical to the competitiveness and sustainability of a manufacturing system than production planning and control because of its long-term and cross-functional impact. AI and Industry 4.0 technologies have many applications in this field, most of which can also be applied for other decision-making purposes in manufacturing systems. In the beginning, a systematic procedure is established for guiding the group multi-criteria decision-making process. Applications of AI and XAI in identifying targets are first reviewed. Subsequently, the applications of AI and XAI in selecting factors and developing criteria are presented. AI technologies are widely used to derive the priorities of criteria. Therefore, XAI techniques and tools for explaining such AI applications are particularly important.
Chapter 4, Applications of XAI to Job Sequencing and Scheduling in Manufacturing, discusses a new field of applications of XAI in manufacturingjob sequencing and scheduling. It first breaks down job sequencing and scheduling into several steps and then mentions AI technologies applicable to some of these steps. It is worth noting that many AI applications are directed at the preparation of inputs required for scheduling tasks, rather than the processes of scheduling tasks, which is a distinctive feature of this field. Nevertheless, many AI technologies have been explained in other domains or fields. These explanations can provide a reference for explaining AI applications in job sequencing and scheduling. Therefore, some generic XAI techniques and tools for job sequencing and scheduling are reviewed, including:
Referring to the taxonomy of job scheduling problems;
Tailoring dispatching rule;
Textual description, pseudocode;
Decision tree, flowchart.
In addition, job sequencing and scheduling problems are often formulated as mathematical programming (optimization) models to be optimized. AI technologies can be applied to find the optimal solutions to the models. Applications of GA are of particular interest because such applications are most common in job scheduling. Moreover, XAI techniques and tools for explaining GA can be easily extended to account for other evolutionary AI applications such as artificial bee colony (ABC), ant colony optimization (ACO), and PSO in job scheduling. Applicable XAI techniques and tools include:
Flowchart, textual description;
Chromosomal diagram;
Dynamic line chart, bar chart with baseline.
Some novel XAI techniques and tools for explaining GA are also introduced:
Decision tree-based interpretation;
Dynamic transition and contribution diagram.
The book includes real-world case studies and examples to illustrate the practical applications of XAI in manufacturing. It is a valuable resource for researchers, engineers, and practitioners working in the field of AI and manufacturing.
————————————————————–
ترجمه ماشینی :
این کتاب مروری جامع از آخرین پیشرفتها در هوش مصنوعی قابل توضیح (XAI) و کاربردهای آن در تولید ارائه میکند. این روشها، ابزارها و فنآوریهای مختلفی را پوشش میدهد که برای درک و ارتباط بیشتر هوش مصنوعی برای کارگران کارخانه استفاده میشوند. با افزایش استفاده از هوش مصنوعی در تولید، نیاز روزافزونی برای رسیدگی به محدودیتهای روشهای هوش مصنوعی پیشرفته وجود دارد که درک یا توضیح آن برای کسانی که پیشزمینه هوش مصنوعی ندارند، دشوار است. این کتاب با ارائه یک بررسی سیستماتیک از آخرین تحقیقات و پیشرفتهای XAI که به طور خاص برای صنعت تولید طراحی شده است، به این نیاز میپردازد. هوش مصنوعی (AI) فناوریهایی هستند که رایانهها را قادر میسازند رفتار انسان را تقلید کنند. سرعت محاسبات، ظرفیت ذخیره سازی، قابلیت اطمینان و اتصال به هم کامپیوترها در ترکیب با الگوهای استدلال انسانی به هوش مصنوعی توانایی حل مشکلات پیچیده و در مقیاس بزرگ را می دهد. هوش مصنوعی قابل توضیح (XAI) یک روند جدید در هوش مصنوعی است. در فصل 1 ابتدا XAI تعریف شده است. رویه ای برای اجرای XAI نیز ایجاد شده است. سپس، از طریق تحلیل ادبیات، کاربردهای XAI در حوزههای مختلف مانند پزشکی، خدمات، آموزش، مالی، مراقبتهای بهداشتی، تولید، غذا و ارتش مقایسه میشوند. برخی از موارد نماینده در این حوزه ها نیز گزارش شده است. متعاقباً، چندین کاربرد XAI در حوزه تولید بررسی میشود، از جمله توضیح فرآیند طبقهبندی و نتیجه مشاغل در یک کارخانه، توضیح روش پیشبینی چرخه مبتنی بر ANN، مقایسه اثرات اجزای یک آلیاژ با استفاده از تحلیل SHAP و غیره. فصل 2، کاربردهای XAI برای پیشبینی در حوزه تولید، بر پیشبینی، یکی از عملکردهای مهم سیستمهای تولید، تمرکز دارد. بسیاری از فعالیتهای عملیاتی و تولیدی مانند پیشبینی زمان چرخه، پیشبینی فروش، کاهش هزینه واحد، تعمیر و نگهداری پیشبینیکننده، یادگیری بازده و غیره بر اساس پیشبینی است. این فصل پیشبینی زمان چرخه شغلی را به عنوان مثال در نظر میگیرد. چندین کاربرد تکنیک های هوش مصنوعی برای پیش بینی زمان چرخه شغلی وجود دارد. در این میان، برنامه های ANN (یا DNN) موثرترین هستند، اما درک یا برقراری ارتباط برای کارگران کارخانه بسیار دشوار است. برای پرداختن به این موضوع، تکنیک ها و ابزارهای XAI موجود برای توضیح فرآیند استدلال و نتیجه ANN ها (یا DNN) معرفی شده اند. ما ابتدا ابزارهای XAI را برای تجسم عملیات در ANN (یا DNN) مانند ConvNetJS، TensorFlow، Seq2Seq و MATLAB معرفی میکنیم و سپس تکنیکهای XAI را برای ارزیابی تأثیر، مشارکت یا اهمیت هر ورودی در خروجی، از جمله مشتق جزئی، ذکر میکنیم. ، نسبت فرد، اهمیت پیش بینی کننده خارج از کیسه (OOB)، حذف ویژگی بازگشتی (RFE) و SHAP. متعاقبا، تکنیکهای XAI برای تقریب رابطه بین ورودی و خروجی یک ANN (یا DNN)، بهویژه تکنیکهای یادگیری ماشینی سادهتر مانند استدلال مبتنی بر مورد (CBR)، طبقهبندی و درخت رگرسیون (CART)، RF، درخت تصمیم تقویتشده گرادیان، تقویت گرادیان فوق العاده (XGBoost)، و تفسیر افزایشی مبتنی بر RF، معرفی شده است. کاربرد هر تکنیک XAI با مثال های ساده و کدهای متلب مربوطه تکمیل می شود و به خوانندگان اجازه می دهد تا به سرعت یاد بگیرند. فصل 3، کاربردهای XAI برای تصمیمگیری در حوزه تولید، به موضوع مهمی در مدیریت کارخانه میپردازد، یعنی بهبود درک برنامههای هوش مصنوعی برای تصمیمگیری چند معیاره گروهی در سیستمهای تولید. تصمیمگیری ممکن است برای رقابتپذیری و پایداری یک سیستم تولیدی مهمتر از برنامهریزی و کنترل تولید باشد، زیرا تأثیر طولانیمدت و متقابل آن دارد. فناوریهای AI و Industry 4.0 کاربردهای زیادی در این زمینه دارند که بیشتر آنها را میتوان برای سایر اهداف تصمیمگیری در سیستمهای تولیدی نیز به کار برد. در ابتدا، یک رویه سیستماتیک برای هدایت فرآیند تصمیم گیری چند معیاره گروهی ایجاد می شود. کاربردهای هوش مصنوعی و XAI در شناسایی اهداف ابتدا بررسی می شود. در ادامه، کاربردهای هوش مصنوعی و XAI در انتخاب عوامل و معیارهای توسعه ارائه شده است. فناوری های هوش مصنوعی به طور گسترده برای استخراج اولویت های معیارها استفاده می شوند. بنابراین، تکنیکها و ابزارهای XAI برای توضیح چنین کاربردهای هوش مصنوعی اهمیت ویژهای دارند. فصل 4، کاربردهای XAI در توالییابی و زمانبندی مشاغل در تولید، زمینه جدیدی از کاربردهای XAI را در توالییابی و زمانبندی ساخت و ساز مورد بحث قرار میدهد. ابتدا توالی کار و زمانبندی را به چند مرحله تقسیم میکند و سپس فناوریهای هوش مصنوعی قابل استفاده برای برخی از این مراحل را ذکر میکند. شایان ذکر است که بسیاری از برنامههای هوش مصنوعی به جای فرآیندهای زمانبندی وظایف، که یکی از ویژگیهای بارز این حوزه است، به سمت آمادهسازی ورودیهای مورد نیاز برای زمانبندی وظایف هستند. با این وجود، بسیاری از فناوریهای هوش مصنوعی در حوزهها یا زمینههای دیگر توضیح داده شدهاند. این توضیحات می تواند مرجعی برای توضیح کاربردهای هوش مصنوعی در توالی کار و زمان بندی باشد. بنابراین، برخی از تکنیکها و ابزارهای عمومی XAI برای توالی و زمانبندی کار بررسی میشوند، از جمله: با اشاره به طبقهبندی مشکلات زمانبندی کار. قانون اعزام خیاطی; توضیحات متنی، شبه کد. درخت تصمیم، نمودار جریان. علاوه بر این، مسائل توالی کار و زمانبندی اغلب به عنوان مدلهای برنامهنویسی ریاضی (بهینهسازی) فرمولبندی میشوند تا بهینه شوند. فناوری های هوش مصنوعی را می توان برای یافتن راه حل
tag : دانلود کتاب هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها , Download هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها , دانلود هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها , Download Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications Book , هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها دانلود , buy هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها , خرید کتاب هوش مصنوعی قابل توضیح (XAI) در تولید: روششناسی، ابزارها و کاربردها , دانلود کتاب Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications , کتاب Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications , دانلود Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications , خرید Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications , خرید کتاب Explainable Artificial Intelligence (XAI) in Manufacturing: Methodology, Tools, and Applications ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.