這些算法擅長運行可重復的流程——那些不需要人工判斷即可完成的流程。但是，仍然需要專家來處理“邊緣”情況。

機器學習正在服務企業中被用來運行標準、常規、可重復的部分流程。在最近的OPEX夏季虛擬會議上，每天的會議都有很多服務公司介紹他們使用機器來運行每天執行十幾次到一百次的核心業務流程的方法。

制造業組織可以從這種方法中吸取教訓。正如我們在之前的文章中所討論的，通過利用混合倡議的方法，并結合黑帶流程專業知識和機器學習系統的優點，我們可以以一種有意義的方式操作機器學習，并推動制造業運營的數字化轉型。

邊緣案例的艱難歷程

機器算法擅長運行可重復的流程--那些不需要人類判斷就能完成的流程。然而，專家仍然需要處理 "邊緣 "案例，即那些非標準的、需要人類智慧來解釋和解決的案例。制造業中的邊緣案例涉及到不經常發生的非程序性的事情，從表面上看，似乎不能重復。

其中一些是極其罕見的變化，如啟動新的生產線、鑒定下一代設備、更換過時的機器、災難性的設備故障等。其他的邊緣案例出現的頻率更高，比如在生產新產品時--從故障和維護活動中恢復，或者在新的操作人員入職時。無論是哪種情況，邊緣案例都需要一些人工干預來解決，重新優化流程，使其恢復到穩定狀態。

讓基于機器學習的系統來處理邊緣案例是很復雜的，有幾個原因。

●由于這些邊緣案例不經常發生，所以沒有關于這些邊緣案例的良好數據。

●關于如何應對邊緣案例的知識庫通常停留在有經驗的專家的頭腦中。

●采取的行動和取得的結果之間的映射是不完整的，限制了任何基于學習的方法。

提供足夠的數據來訓練基于機器學習的方法，需要專家手動捕捉所有用于管理邊緣案例事件的行動，并進一步將這些行動與結果聯系起來。這在制造環境中是有問題的，因為人們都很忙。他們的價值通常不與數據輸入任務相關，而是與產出單位相關。要求一個人手動輸入關于他們一直在忙于恢復的事件的反應，不可能產生高質量的反應數據集。

克服障礙

為了克服這些挑戰，我們需要對與邊緣案例事件相關的行動和結果進行非侵入性但持續的捕捉。現在有幾個智能產品有可能彌補這一差距。這些產品包括可穿戴技術，以及被動和智能界面。谷歌眼鏡是一類智能可穿戴設備的例子，可以用來彌補這一差距。然而，在這種情況下，相對于為穿戴者提供實時的幫助來處理邊緣案例，我們反而用設備來捕捉關于邊緣案例的數據、行動和結果。同樣地，我們也可以使用類似于蘋果和谷歌所采用的接觸追蹤方法的互動和被動界面。這已經被用來使藍牙網狀網絡在不分享隱私信息的情況下交易關于Covid積極互動的數據，并且可以被重新用于工廠車間，在 "邊緣 "案例反應過程中追蹤和記錄數據標簽。

除了對數據、行動和結果的非侵入性捕獲，我們還需要機器學習的進步，以便能夠利用這些數據來訓練能夠開始處理邊緣案例的模型。機器學習的一個有趣的研究領域是學徒制學習。這背后的想法是，ML代理表現得像一個學徒--觀察專家采取的行動，并學習模仿他們來完成適當的任務。這些想法主要在機器人學中得到了探索，人類專家被用來教機器人代理如何采取某些物理行動。

底層的學習算法使用逆向強化學習--模型需要通過觀察專家的行動來估計他們試圖實現的目標，然后在它試圖完成類似的任務時嘗試優化它。最近，這種方法的應用已被證明在游戲環境（如雅達利游戲的玩法）以及現實世界的環境中起作用，如直升機控制和動畫。將這些方法調整到制造環境中，將允許ML代理通過觀察來學習處理邊緣情況所需的行動。

教導機器

在本十年的剩余時間和下一個十年里，當前現實中的勞動力緊缺問題不會得到緩解。要求工人--他們的數量在不斷減少--在盡快從事件中恢復過來的同時抽出時間來輸入數據是一個失敗的提議。隨著辭職大潮的持續，制造商的壓力將增加，隨著人們在組織中尋找他們的 "理想 "工作環境，營業額和培訓需求也將增加。

隨著可用勞動力的減少，機器需要能夠吸收越來越多的 "邊緣 "內容到機器范式中。通過可穿戴監測產品、被動跟蹤和基于反向強化的學習方法，人可以 "教 "機器關于邊緣案例的知識，機器可以利用這些知識來擴大對邊緣案例的常規反應要素的理解，挑選出可重復的要素，即使邊緣案例不是每天都發生。

當我們向未來邁進時，會出現人口萎縮的情況。這在許多國家已經在發生。在未來的人口中，愿意從事制造業的那部分人將是不斷減少的人口中的一個子集，然而我們對產品的需求似乎正在增加。技術工具需要以這樣的方式來組裝，以彌補這一差距。

制造業的現狀有幾個挑戰，以實現機器指導操作的愿景，數字助理的概念在發揮作用。隨著廉價勞動力供應的緊縮，實現技術飛躍的經濟性將發生變化。許多組織多年來一直在努力為他們的業務配備人員，造成生產中斷和閑置時間，由于投資沒有得到充分利用，因此代價高昂。其他的挑戰圍繞著領導者對技術的舒適程度，理解技術解決其特定問題的潛力的能力，以及在技術方法被組合成一個無縫整合時的耐心。

在提高機器學習邊緣案例的能力的過程中，手動輸入數據是一個不可能的事情。主動監測工具提供數據，而人類不必停止他們在邊緣案例上的工作，這是實現機器學習的解決方案。下一個十年的當務之急是設置機器向人類學習，并通過揭示底層例程和吸收這些例程的黃金運行庫來吸收更多的 "邊緣案例"。