ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਅਤੇ ਢਾਂਚਾ-ਪ੍ਰਕਿਰਿਆ-ਪ੍ਰਾਪਰਟੀ ਸਬੰਧ (ਮਸ਼ੀਨ ਲਰਨਿੰਗ)

ਲਾਭ:

• ਰਚਨਾ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡਾਂ ਤੋਂ ਮਕੈਨੀਕਲ ਸੰਪੱਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ AI ਨਾਲ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਮੱਸਿਆ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
• ਡਾਟਾ ਗੁਣਵੱਤਾ, ਓਵਰਫਿਟਿੰਗ, ਅਤੇ ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਪਛਾਣ ਕੇ ਇੱਕ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਪੜ੍ਹਨ ਦੀ ਸਮਰੱਥਾ
• ਭੌਤਿਕ ਪ੍ਰਸੰਸਾਯੋਗਤਾ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਅਤੇ ਤਸਦੀਕ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਧਾਤੂ ਵਿਗਿਆਨ ਦੇ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਨਿਯਮ ਦਾ ਸੰਖੇਪ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ "ਪ੍ਰਕਿਰਿਆ ਬਣਤਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ; ਬਣਤਰ ਸੰਪਤੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ।" ਇੱਕ ਸਟੀਲ ਦੀ ਉਪਜ ਦੀ ਤਾਕਤ ਨਾ ਸਿਰਫ਼ ਰਚਨਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਇਹ ਇਸ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਫੋਰਜਿੰਗ, ਰੋਲਿੰਗ, ਹੀਟ ​​ਟ੍ਰੀਟਮੈਂਟ) ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਮਾਈਕਰੋਸਟ੍ਰਕਚਰ (ਅਨਾਜ ਦਾ ਆਕਾਰ, ਪੜਾਅ ਅਨੁਪਾਤ, ਪ੍ਰੀਪੀਟੇਟਸ)। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ, ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML: ਵਿਧੀਆਂ ਜੋ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਤੋਂ ਸਿੱਖਦੀਆਂ ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਦੀਆਂ ਹਨ), ਹਜ਼ਾਰਾਂ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਤੋਂ ਇਹਨਾਂ ਰਚਨਾ-ਪ੍ਰਕਿਰਿਆ-ਸੰਪੱਤੀ ਸਬੰਧਾਂ ਨੂੰ ਕੱਢਣ ਅਤੇ ਇੱਕ ਨਵੇਂ ਮਿਸ਼ਰਤ ਮਿਸ਼ਰਣ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ। ਪਰ ਇਹ ਸ਼ਕਤੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਡਾਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਇਹ ਜਾਣਨ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਮਾਡਲ ਕਿੱਥੇ ਭਰੋਸੇਯੋਗ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ML-ਅਧਾਰਿਤ ਵਿਸ਼ੇਸ਼ਤਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਿਵੇਂ ਬਣਾਉਣਾ ਹੈ ਅਤੇ ਇਸਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਗੰਭੀਰ ਰੂਪ ਵਿੱਚ ਕਿਵੇਂ ਪੜ੍ਹਨਾ ਹੈ।

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੈੱਟ ਕਰਨਾ

ML ਵਿੱਚ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਭਵਿੱਖਬਾਣੀ ਸਮੱਸਿਆ ਨੂੰ ਡੰਪ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤਿੰਨ ਗੱਲਾਂ ਸਪੱਸ਼ਟ ਕਰੋ:

• ਇਨਪੁਟ (ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ): ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵੇਰੀਏਬਲ। ਉਦਾਹਰਨ ਲਈ, ਰਚਨਾ ਪ੍ਰਤੀਸ਼ਤ (C, Mn, Cr, Ni...), ਗਰਮੀ ਦੇ ਇਲਾਜ ਦਾ ਤਾਪਮਾਨ ਅਤੇ ਸਮਾਂ, ਅਨਾਜ ਦਾ ਆਕਾਰ।
• ਆਉਟਪੁੱਟ (ਨਿਸ਼ਾਨਾ): ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਵਿਸ਼ੇਸ਼ਤਾ। ਉਦਾਹਰਨ ਲਈ, ਉਪਜ ਦੀ ਤਾਕਤ, ਲੰਬਾਈ, ਕਠੋਰਤਾ।
• ਡੇਟਾ: ਇਨਪੁਟ–ਆਊਟਪੁੱਟ ਜੋੜਿਆਂ ਦੀ ਇੱਕ ਸਾਰਣੀ। ਹਰ ਕਤਾਰ ਇੱਕ ਨਮੂਨਾ ਹੈ, ਹਰੇਕ ਕਾਲਮ ਇੱਕ ਗੁਣ ਜਾਂ ਟੀਚਾ ਹੈ।

ਮਾਡਲ ਇਸ ਡੇਟਾ ਤੋਂ ਇੱਕ "ਫੰਕਸ਼ਨ" ਸਿੱਖਦਾ ਹੈ: ਇਹ ਇਨਪੁਟ ਲੈਂਦਾ ਹੈ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (ਸਧਾਰਨ ਵਜ਼ਨ ਵਾਲਾ ਜੋੜ), ਬੇਤਰਤੀਬ ਜੰਗਲ ਜਾਂ ਗਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਵਰਗੀਆਂ ਵਿਧੀਆਂ ਆਮ ਹਨ। AI ਇਹ ਸੁਝਾਅ ਦੇਣ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ ਕਿ ਕਿਹੜਾ ਤਰੀਕਾ ਢੁਕਵਾਂ ਹੈ, ਕੋਡ ਲਿਖਣਾ, ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ; ਪਰ ਤੁਸੀਂ ਜਾਂਚ ਕਰਦੇ ਹੋ ਕਿ ਮਾਡਲ ਵੈਧ ਹੈ ਜਾਂ ਨਹੀਂ।

ਡਾਟਾ ਗੁਣਵੱਤਾ: ਮਾਡਲ ਦੀ ਛੱਤ

ਇੱਕ ML ਮਾਡਲ ਉਸ ਡੇਟਾ ਨਾਲੋਂ ਬਿਹਤਰ ਨਹੀਂ ਹੋ ਸਕਦਾ ਜਿਸ 'ਤੇ ਇਸ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ "ਕੂੜਾ ਅੰਦਰ, ਕੂੜਾ ਬਾਹਰ" ਦਾ ਸਿਧਾਂਤ ਬਹੁਤ ਮਜ਼ਬੂਤ ​​ਹੈ ਕਿਉਂਕਿ ਟੈਸਟ ਡੇਟਾ ਮਹਿੰਗਾ ਅਤੇ ਦੁਰਲੱਭ ਹੁੰਦਾ ਹੈ। ਇਹਨਾਂ ਜਾਲਾਂ ਲਈ ਧਿਆਨ ਰੱਖੋ:

• ਛੋਟਾ ਡੇਟਾ: ਤੁਸੀਂ 30 ਨਮੂਨਿਆਂ ਨਾਲ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਨਹੀਂ ਬਣਾ ਸਕਦੇ ਹੋ; ਮਾਡਲ ਡੇਟਾ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ।
• ਅਸੰਤੁਲਿਤ ਡੇਟਾ: ਜੇਕਰ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਘੱਟ ਕਾਰਬਨ ਸਟੀਲ ਹਨ, ਤਾਂ ਉੱਚ ਕਾਰਬਨ ਮਿਸ਼ਰਤ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਮਾੜੀ ਹੋਵੇਗੀ।
• ਮਾਪ ਸ਼ੋਰ: ਇੱਕੋ ਨਮੂਨੇ ਦੀ ਕਠੋਰਤਾ ਵੱਖ-ਵੱਖ ਓਪਰੇਟਰਾਂ ਨਾਲ ਵੱਖ-ਵੱਖ ਹੋ ਸਕਦੀ ਹੈ; ਇਹ ਰੌਲਾ ਮਾਡਲ ਵਿੱਚ ਝਲਕਦਾ ਹੈ।
• ਗੁੰਮ ਵੇਰੀਏਬਲ: ਜੇਕਰ ਤੁਸੀਂ ਅਨਾਜ ਦਾ ਆਕਾਰ ਨਹੀਂ ਮਾਪਿਆ ਹੈ, ਤਾਂ ਉਹ ਮਾਡਲ ਜੋ ਇਕੱਲੇ ਰਚਨਾ ਦੁਆਰਾ ਤਾਕਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਾਰਨ ਖੁੰਝ ਜਾਵੇਗਾ।

ਧਿਆਨ ਦਿਓ: ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਇੱਕ ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਉੱਚ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਨਵੇਂ ਨਮੂਨਿਆਂ ਵਿੱਚ ਵੀ ਸਫਲ ਹੋਵੇਗਾ. ਇਹ ਓਵਰਫਿਟਿੰਗ ਹੋ ਸਕਦਾ ਹੈ: ਮਾਡਲ ਨੇ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਰੌਲੇ ਨੂੰ ਯਾਦ ਕੀਤਾ ਹੈ, ਨਾ ਕਿ ਸੱਚਾ ਰਿਸ਼ਤਾ। ਅਸਲ ਸਫਲਤਾ ਨੂੰ "ਟੈਸਟ ਡੇਟਾ" 'ਤੇ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਮਾਡਲ ਨੇ ਪਹਿਲਾਂ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।

ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ: ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਸੀਮਾ

ML ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ (ਇੰਟਰਪੋਲੇਸ਼ਨ) ਦੁਆਰਾ ਕਵਰ ਕੀਤੀ ਗਈ ਸੀਮਾ ਦੇ ਅੰਦਰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਇਸ ਰੇਂਜ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਭਵਿੱਖਬਾਣੀਆਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਮਾਡਲ ਅਕਸਰ ਇਹ ਨਹੀਂ ਦਿਖਾਉਂਦੇ ਹਨ; ਇੱਕ ਭਰੋਸੇਮੰਦ ਨੰਬਰ ਪੈਦਾ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, 0.2-0.6% ਦੀ ਰੇਂਜ ਵਿੱਚ ਕਾਰਬਨ ਸਮੱਗਰੀ ਵਾਲੇ ਸਟੀਲ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ 1.2% ਕਾਰਬਨ ਵਾਲੇ ਮਿਸ਼ਰਤ ਮਿਸ਼ਰਣ ਲਈ ਇਸਦਾ ਮੁੱਲ "ਸੁਰੱਖਿਅਤ" ਵਜੋਂ ਦਿਖਾ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਮੁੱਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਬੁਨਿਆਦ ਹੈ। ਹਰੇਕ ਭਵਿੱਖਬਾਣੀ ਲਈ, "ਕੀ ਇਹ ਨਮੂਨਾ ਸਿਖਲਾਈ ਡੇਟਾ ਵੰਡ ਦੇ ਅੰਦਰ ਹੈ?" ਸਵਾਲ ਪੁੱਛਣਾ ਲਾਜ਼ਮੀ ਹੈ।

ਕਦਮ-ਦਰ-ਕਦਮ: AI ਨਾਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਾ ਪ੍ਰਵਾਹ ਬਣਾਉਣਾ

1. ਟੀਚਾ ਅਤੇ ਇਨਪੁਟਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਤੁਸੀਂ ਕੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋਗੇ ਅਤੇ ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਤੋਂ?
2. ਡੇਟਾ ਤਿਆਰ ਕਰੋ: ਸਾਫ਼ ਕਰੋ, ਇਕਾਈਆਂ ਨੂੰ ਠੀਕ ਕਰੋ, ਗੁੰਮ ਮੁੱਲ ਫਲੈਗ ਕਰੋ। (AI: ਪਾਈਥਨ ਕੋਡ ਲਿਖਦਾ ਹੈ।)
3. ਡੇਟਾ ਨੂੰ ਵੰਡੋ: ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟਿੰਗ ਸੈੱਟਾਂ ਨੂੰ ਵੱਖ ਕਰੋ ਤਾਂ ਜੋ ਤੁਸੀਂ ਸਫਲਤਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਮਾਪ ਸਕੋ।
4. ਮਾਡਲ ਚੁਣੋ ਅਤੇ ਸਿਖਲਾਈ ਦਿਓ: ਸਧਾਰਨ (ਲੀਨੀਅਰ) ਸ਼ੁਰੂ ਕਰੋ, ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਰੁੱਖ-ਅਧਾਰਿਤ 'ਤੇ ਜਾਓ।
5. ਮੁਲਾਂਕਣ ਕਰੋ: ਟੈਸਟ ਸੈੱਟ (ਉਦਾਹਰਨ ਲਈ RMSE, R²) 'ਤੇ ਗਲਤੀ ਮੈਟ੍ਰਿਕਸ ਦੇਖੋ।
6. ਟਿੱਪਣੀ: ਕਿਹੜਾ ਵੇਰੀਏਬਲ ਕਿੰਨਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ? ਕੀ ਇਹ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥ ਰੱਖਦਾ ਹੈ?
7. ਪੁਸ਼ਟੀ ਕਰੋ: ਅਸਲ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ ਇੱਕ ਨਾਜ਼ੁਕ ਭਵਿੱਖਬਾਣੀ ਦੀ ਜਾਂਚ ਕਰੋ; ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਲਈ ਜਾਂਚ ਕਰੋ।

ਸੰਕਲਪ

ਭਾਵ

ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?

ਓਵਰਫਿਟਿੰਗ

ਸ਼ੋਰ ਨੂੰ ਯਾਦ ਕਰਨ ਵਾਲਾ ਮਾਡਲ

ਇਹ ਬਹੁਤ ਘੱਟ ਟੈਸਟ ਡੇਟਾ ਦੇ ਨਾਲ ਬਹੁਤ ਆਸਾਨ ਹੈ

ਇੰਟਰਪੋਲੇਸ਼ਨ

ਸਿਖਲਾਈ ਸੀਮਾ ਦੇ ਅੰਦਰ ਭਵਿੱਖਬਾਣੀ

ਮੁਕਾਬਲਤਨ ਸੁਰੱਖਿਅਤ ਖੇਤਰ

ਐਕਸਟਰਪੋਲੇਸ਼ਨ

ਸਿਖਲਾਈ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਭਰੋਸੇਯੋਗ; ਪ੍ਰਯੋਗ ਦੀ ਲੋੜ ਹੈ

R²

ਮਾਡਲ ਦੁਆਰਾ ਵਿਖਿਆਨ ਦਾ ਅਨੁਪਾਤ

ਫਿੱਟ ਗੁਣਵੱਤਾ ਦਾ ਸੂਚਕ

ਵਿਸ਼ੇਸ਼ਤਾ ਮਹੱਤਵ

ਕਿਸੇ ਇਨਪੁੱਟ ਦੇ ਪ੍ਰਭਾਵ ਦੀ ਤੀਬਰਤਾ

ਸਰੀਰਕ ਵਾਜਬਤਾ ਦੀ ਜਾਂਚ

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਯਾਦ ਰੱਖਣ ਵਾਲਾ ਮਾਡਲ। ਇੱਕ ਟੀਮ ਇੱਕ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਬਣਾਉਂਦੀ ਹੈ ਜੋ 45 ਸਟੀਲ ਦੇ ਨਮੂਨਿਆਂ ਨਾਲ ਉਪਜ ਦੀ ਤਾਕਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ; ਸਿਖਲਾਈ ਡੇਟਾ R² = 0.99 ਨਿਕਲਦਾ ਹੈ ਅਤੇ ਉਹ ਖੁਸ਼ ਹੁੰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਟੈਸਟ ਡੇਟਾ ਵਿੱਚ ਇਹ R² = 0.42 ਤੱਕ ਘੱਟ ਜਾਂਦਾ ਹੈ। ਮਾਡਲ ਓਵਰਫਿਟ ਹੈ। ਜਦੋਂ ਉਹ ਇੱਕ ਸਧਾਰਨ ਮਾਡਲ ਤੇ ਸਵਿਚ ਕਰਦੇ ਹਨ ਅਤੇ ਡੇਟਾ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ, ਤਾਂ ਟੈਸਟ ਦੀ ਸਫਲਤਾ 0.80 ਤੱਕ ਵਧ ਜਾਂਦੀ ਹੈ। ਸਬਕ: ਵਿਦਿਅਕ ਸਫਲਤਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਫੈਸਲਾ ਟੈਸਟ ਡੇਟਾ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਕੇਸ 2 - ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਟਰੈਪ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਇੱਕ ਉੱਚ-ਸੀਆਰ ਸਟੇਨਲੈਸ ਰਚਨਾ ਲਈ ਘੱਟ-ਐਲੋਏ ਸਟੀਲ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਕਹਿੰਦਾ ਹੈ "ਲਗਭਗ 620 MPa." ਅਸਲ ਟੈਂਸਿਲ ਟੈਸਟ 410 MPa ਤੱਕ ਆਉਂਦਾ ਹੈ। ਰਚਨਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਦਿਅਕ ਵੰਡ ਤੋਂ ਬਾਹਰ ਹੈ। ਪਾਠ: ਪੂਰਵ-ਅਨੁਮਾਨ ਤੋਂ ਪਹਿਲਾਂ ਇਹ ਜਾਂਚ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ ਕਿ ਕੀ ਇਨਪੁਟ ਸਿਖਲਾਈ ਦੀ ਸੀਮਾ ਦੇ ਅੰਦਰ ਹੈ।

ਕੇਸ 3 - ਸਹੀ ਵਰਤੋਂ। ਇੱਕ R&D ਟੀਮ ਮਿਸ਼ਰਤ ਮਿਸ਼ਰਣਾਂ ਦੇ ਇੱਕ ਪਰਿਵਾਰ ਵਿੱਚ ਹਜ਼ਾਰਾਂ ਰਿਕਾਰਡਾਂ ਦੇ ਨਾਲ ਕਠੋਰਤਾ 'ਤੇ ਤਾਪਮਾਨ ਨੂੰ ਵਧਾਉਣ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਡਲ ਕਰਦੀ ਹੈ। ਮਾਡਲ ਜਾਣੇ-ਪਛਾਣੇ ਭੌਤਿਕ ਰੁਝਾਨ ਨੂੰ ਮੁੜ-ਉਤਪਾਦਿਤ ਕਰਦਾ ਹੈ (ਕਠੋਰਤਾ ਵਧਦੇ ਤਾਪਮਾਨ ਦੇ ਨਾਲ ਘਟਦੀ ਹੈ) ਅਤੇ ਸੰਕੁਚਿਤ ਹੋ ਜਾਂਦੀ ਹੈ ਜਿਸ ਵਿੱਚ ਰਚਨਾ ਦੀ ਸੀਮਾ ਟੀਚਾ ਕਠੋਰਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਵੇਗੀ। ਟੀਮ ਪ੍ਰਯੋਗਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਘਟਾਉਣ ਲਈ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ: 40 ਦੀ ਬਜਾਏ 8 ਪ੍ਰਯੋਗਾਂ ਨਾਲ ਟੀਚੇ ਤੱਕ ਪਹੁੰਚਣਾ ਅਤੇ ਮਾਪਾਂ ਦੇ ਨਾਲ ਹਰੇਕ ਕਦਮ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ। ਸਬਕ: ML ਸਮਝਦਾਰੀ ਨਾਲ ਚੰਗੇ ਡੇਟਾ ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਜਾਂਚਾਂ ਦੇ ਨਾਲ ਪ੍ਰਯੋਗ ਦੀ ਯੋਜਨਾਬੰਦੀ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ML ਸਮੱਸਿਆ ਸੈੱਟਿੰਗ ਟੈਮਪਲੇਟ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਪਦਾਰਥਕ ਡੇਟਾ ਵਿਗਿਆਨ ਸਹਾਇਕ ਹੋ। ਟੀਚਾ: [ਅਨੁਮਾਨਿਤ ਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ]। ਇਨਪੁਟਸ: [ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ]। ਮੇਰੇ ਕੋਲ [n] ਨਮੂਨੇ ਹਨ। ਇਸ ਸਮੱਸਿਆ ਲਈ: (1) ਢੁਕਵੇਂ ਸਧਾਰਨ ਅਤੇ ਉੱਨਤ ਮਾਡਲ ਵਿਕਲਪਾਂ ਦਾ ਸੁਝਾਅ ਦਿਓ, (2) ਸਿਖਲਾਈ/ਟੈਸਟ ਸਪਲਿਟ ਅਤੇ ਮੁਲਾਂਕਣ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਨਿਸ਼ਚਿਤ ਸਫਲਤਾ ਦਾ ਵਾਅਦਾ ਨਾ ਕਰੋ;

ਡੇਟਾ ਕੁਆਲਿਟੀ ਆਡਿਟ ਟੈਮਪਲੇਟ "ਹੇਠ ਦਿੱਤੇ ਡੇਟਾ ਸਾਰਣੀ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰੋ: [ਕਾਲਮ ਅਤੇ ਨਮੂਨਾ ਕਤਾਰਾਂ ਨੂੰ ਪੇਸਟ ਕਰੋ]। ਫਲੈਗ: ਗੁੰਮ ਮੁੱਲ, ਬਾਹਰਲੇ ਹਿੱਸੇ, ਇਕਾਈ ਅਸੰਗਤਤਾ, ਅਸੰਤੁਲਿਤ ਵੰਡ। ਹਰੇਕ ਮੁੱਦੇ ਲਈ, ਸੁਝਾਅ ਦਿਓ ਕਿ ਇਸਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਣਾ ਹੈ। ਸੂਚੀ ਬਣਾਓ ਕਿ ਮਾਡਲਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਕਿਹੜੀਆਂ ਜਾਂਚਾਂ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ।"

ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਕੰਟਰੋਲ ਟੈਂਪਲੇਟ "ਮੇਰੀ ਸਿਖਲਾਈ ਉਪਜ ਵਿੱਚ ਹਰੇਕ ਇਨਪੁਟ ਦੀ ਘੱਟੋ-ਘੱਟ ਅਧਿਕਤਮ ਰੇਂਜ ਹੈ: [ਰੇਂਜ ਲਿਖੋ]। ਨਵਾਂ ਨਮੂਨਾ ਜਿਸਦਾ ਮੈਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ ਉਹ ਹੈ: [ਮੁੱਲ ਲਿਖੋ]। ਕੀ ਇਹ ਨਮੂਨਾ ਹਰੇਕ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਸਿਖਲਾਈ ਰੇਂਜ ਦੇ ਅੰਦਰ ਜਾਂ ਬਾਹਰ ਹੈ? ਜੇਕਰ ਇਹ ਬਾਹਰ ਹੈ, ਤਾਂ ਦੱਸੋ ਕਿ ਕਿਹੜੇ ਵੇਰੀਏਬਲਾਂ ਵਿੱਚ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੁਆਰਾ ਪ੍ਰਯੋਗ ਨਾ ਹੋਣ ਯੋਗ ਕਿਉਂ ਹੋਵੇਗਾ.."

ਭੌਤਿਕ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਟੈਮਪਲੇਟ "ਮਾਡਲ ਦਾ ਵਿਸ਼ੇਸ਼ਤਾ ਮਹੱਤਵ ਦਾ ਕ੍ਰਮ [ਕ੍ਰਮਬੱਧ] ਹੈ। ਕੀ ਇਹ ਕ੍ਰਮ ਜਾਣੇ-ਪਛਾਣੇ ਧਾਤੂ ਸਬੰਧਾਂ (ਜਿਵੇਂ ਕਿ ਹਾਲ-ਪੈਚ, ਪ੍ਰੀਪਿਟੇਟ ਹਾਰਡਨਿੰਗ, ਕਾਰਬਨ ਪ੍ਰਭਾਵ) ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ? ਜੇਕਰ ਕੋਈ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਅਚਾਨਕ ਪ੍ਰਭਾਵ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਅਤੇ ਸੰਭਾਵਿਤ ਡੇਟਾ/ਮਾਡਲ ਸਮੱਸਿਆ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਰਚਨਾ ਦੇ ਆਧਾਰ 'ਤੇ ਉਪਜ ਦੀ ਤਾਕਤ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਓ।"

ਮਜ਼ਬੂਤ ਸੰਕੇਤ:"ਭੂਮਿਕਾ: ਤੁਸੀਂ ਮਟੀਰੀਅਲ ਡਾਟਾ ਸਾਇੰਸ ਅਸਿਸਟੈਂਟ ਹੋ। ਮੇਰੇ ਕੋਲ ਘੱਟ ਐਲੋਏ ਸਟੀਲ ਡੇਟਾ ਦੀਆਂ 800 ਲਾਈਨਾਂ ਹਨ (C, Mn, Cr, Ni, ਟੈਂਪਰਿੰਗ ਤਾਪਮਾਨ -> ਉਪਜ ਦੀ ਤਾਕਤ)। ਨਵਾਂ ਨਮੂਨਾ: C=0.38, Mn=0.8, Cr=1.0, Ni=0.2,temper=550 °C ਦੇ ਅੰਦਰ ਜੇਕਰ ਸਿਖਲਾਈ ਉਚਿਤ ਹੈ ਤਾਂ ਜਾਂਚ ਕਰੋ। ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਪਹੁੰਚ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸਮਝਾਓ;

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਜਾਂਚ ਲਈ ਪੁੱਛਦਾ ਹੈ, ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਭੌਤਿਕ ਨਿਯਮਾਂ ਦੇ ਵਿਰੁੱਧ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਕੱਚੇ ਨੰਬਰ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸੇਯੋਗ ਫੈਸਲੇ ਦਾ ਆਧਾਰ ਦਿੰਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਅਸਲ ਸਫਲਤਾ ਲਈ ਵਿਦਿਅਕ ਸਫਲਤਾ ਨੂੰ ਗਲਤ ਕਰਨਾ (ਓਵਰਫਿਟਿੰਗ ਛੱਡਣਾ)।
• ਸਿਖਲਾਈ/ਟੈਸਟ ਸਪਲਿਟ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ।
• ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਖੇਤਰ ਵਿੱਚ ਪੈਦਾ ਹੋਏ ਅਨੁਮਾਨ ਨੂੰ ਸੁਰੱਖਿਅਤ ਮੰਨਣਾ।
• ਬਹੁਤ ਘੱਟ ਅਤੇ ਅਸੰਤੁਲਿਤ ਡੇਟਾ ਦੇ ਨਾਲ ਗੁੰਝਲਦਾਰ ਮਾਡਲਾਂ ਦਾ ਨਿਰਮਾਣ ਕਰਨਾ।
• ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਦੀ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਨਾਲ ਤੁਲਨਾ ਨਾ ਕਰਨਾ।
• ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਇੱਕ ਨਾਜ਼ੁਕ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ।

ਸੰਖੇਪ ਵਿੱਚ

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਧੀਆ ਡੇਟਾ ਦੇ ਨਾਲ ਰਚਨਾ-ਪ੍ਰਕਿਰਿਆ-ਪ੍ਰਾਪਰਟੀ ਸਬੰਧਾਂ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕੈਪਚਰ ਕਰਦੀ ਹੈ ਅਤੇ ਸਮਝਦਾਰੀ ਨਾਲ ਪ੍ਰਯੋਗ ਦੀ ਯੋਜਨਾਬੰਦੀ ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ। ਪਰ ਇੱਕ ਮਾਡਲ ਸਿਰਫ ਇਸਦੇ ਡੇਟਾ ਜਿੰਨਾ ਹੀ ਵਧੀਆ ਹੈ; ਸਿਖਲਾਈ ਪ੍ਰਾਪਤੀ ਗੁੰਮਰਾਹਕੁੰਨ (ਓਵਰਫਿਟਿੰਗ) ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਸਿਖਲਾਈ ਸੀਮਾ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਤੋਂ ਬਾਹਰ ਦੇ ਅੰਦਾਜ਼ੇ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹਨ। ਹਰੇਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਨੂੰ ਟੈਸਟ ਡੇਟਾ ਦੀ ਸਫਲਤਾ, ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਨਿਯੰਤਰਣ, ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ, ਅਤੇ, ਨਾਜ਼ੁਕ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਅਸਲ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ ਟੈਸਟ ਕਰੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਕਿਸੇ ਮੌਜੂਦਾ (ਜਾਂ ਕਾਲਪਨਿਕ) ਸਮੱਗਰੀ ਡੇਟਾ ਸੈੱਟ ਦੇ ਨਾਲ ਇੱਕ ਸੰਪੱਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸਮੱਸਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਟੀਚਾ ਅਤੇ ਇਨਪੁਟਸ ਨੂੰ ਲਿਖੋ। "ML ਸਮੱਸਿਆ ਚਿੱਤਰ" ਟੈਮਪਲੇਟ ਨਾਲ AI ਤੋਂ ਇੱਕ ਪਹੁੰਚ ਲਈ ਪੁੱਛੋ। ਫਿਰ ਇੱਕ "ਨਵਾਂ ਨਮੂਨਾ" ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਇਹ ਨਮੂਨਾ "ਐਕਸਟ੍ਰੈਪੋਲੇਸ਼ਨ ਚੈਕ" ਟੈਮਪਲੇਟ ਨਾਲ ਸਿਖਲਾਈ ਸੀਮਾ ਦੇ ਅੰਦਰ ਹੈ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਵਰਣਨ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਿਸ ਪ੍ਰਯੋਗ ਨਾਲ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਟੀਚਾ ਅਤੇ ਇਨਪੁਟਸ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਡਾਟਾ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ (ਗੁੰਮ, ਬਾਹਰੀ, ਇਕਾਈ, ਸੰਤੁਲਨ)।
• [ ] ਮੈਂ ਸਿਖਲਾਈ/ਟੈਸਟ ਸਪਲਿਟ ਨਾਲ ਇਮਾਨਦਾਰ ਸਫਲਤਾ ਨੂੰ ਮਾਪਿਆ।
• [ ] ਮੈਂ ਹਰੇਕ ਅੰਦਾਜ਼ੇ ਲਈ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਜੋਖਮ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਮਹੱਤਤਾ ਦੀ ਤੁਲਨਾ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਨਾਲ ਕੀਤੀ।
• [ ] ਮੈਂ ਅਸਲ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ ਆਲੋਚਨਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਇੱਕ ਯੋਜਨਾ ਬਣਾਈ ਹੈ।