Despliegue de modelos de aprendizaje automático para la predicción de la calidad en la producción

Abstract

[ES] Asegurar la calidad de la producción es uno de los elementos clave para la fabricación, especialmente en los países altamente desarrollados. Al mismo tiempo, el aprendizaje automático es un tema emergente en la investigación. Un área de aplicación importante para el aprendizaje automático es la predicción de la calidad en la producción. En la práctica, el despliegue de un modelo de alto rendimiento desde la fase de desarrollo hasta la producción en el mundo real se ejecuta a menudo de forma infructuosa debido a la falta de una metodología claramente estructurada que cubra todo el proceso de principio a fin, así como las decisiones y pasos necesarios en detalle. Este trabajo final de máster tiene como objetivo proporcionar una metodología para el despliegue de modelos de aprendizaje automático aplicada al contexto de la predicción de la calidad en base a datos recogidos durante el proceso de producción. Para facilitar la calidad predictiva teniendo en cuenta las necesidades y restricciones específicas de la empresa, la metodología servirá de guía durante el proceso de selección de la opción de despliegue más adecuada. Para lograr el objetivo, una revisión de la literatura académica y gris identifica las opciones y conceptos disponibles para el despliegue. A partir de la revisión, se desarrolla una metodología que analiza y estructura las posibles soluciones. Para validar la metodología, se discute con expertos y se implementa un caso de uso de un modelo de aprendizaje automático de un proceso de fabricación del mundo real. La metodología desarrollada proporciona una estructura clara y ofrece una visión general de las decisiones y tareas que deben realizarse para el despliegue de modelos de aprendizaje automático para la predicción de la calidad en la producción. Futuras investigaciones podrían profundizar en fases individuales de la metodología, como la implementación con un enfoque de ingeniería de software.

[EN] Assuring production quality is one of the key elements for manufacturing, especially in highly developed countries. At the same time, machine learning is an emerging subject in investigation. An important area of application for machine learning is the prediction of quality in production. In practice, deploying a performant model from the development stage into real world production is often executed unsuccessfully due to the lack of a clearly structured methodology covering the whole end-to-end process but also the necessary decisions and steps in detail. This thesis aims to provide a methodology for machine learning model deployment applied to the context of predictive quality based on data collected during the production process. To facilitate predictive quality under consideration of the company¿s specific needs and restrictions, the methodology shall serve as a guideline during the selection process of the most adequate deployment option. In order to achieve the goal, a review of academic and gray literature identifies available options and concepts for deployment. Based on the review, a methodology which analyzes and structures the possible solutions is developed. For validating purposes, the methodology is discussed with experts and a use case of a machine learning model from a real-world manufacturing process is implemented. The developed methodology provides a clear structure and gives an overview of decisions and tasks that need to be made for the deployment of machine learning models for predictive quality in production. Further research could deep dive into individual phases of the methodology such as the implementation with a software engineering focus.