Список материалов и кейсов применения ML и DS в промышленности

Привет!

Несколько лет назад очень разлетелся этот пост под названием “Применение машинного обучения и Data Science в промышленности” (перевод англоязычного поста). Это большой список ссылок с примерами применения AI/ML/DS (обязательно код на python и размещение на GitHub) в различных отраслях промышленности.

Несмотря на большую популярность и неплохие отзывы про пост в целом, в главе “Производство” я нашел буквально пару полезных ссылок (большинство являются ссылками на малополезный код) и не нашел большое число полезных. Захотелось это исправить и сделать более полный, качественный и, в итоге, полезный список, пусть и заменяющий всего одну главу исходного.

Конечно, “производство” более закрытая и консервативная область чем многие другие, поэтому существует не так много публично доступных наборов данных, публичных задач и open-source инструментов полезных и применимых для этой отрасли, но из-за этого такой список кажется еще более полезным.

Мой список так же как и изначальный направлен на агрегацию ссылок с применением машинного обучения в производственных задачах. Но я не ограничивался только ссылками с кодом (иногда полезно посмотреть на общие подходы решения задач, представленные в статьях или рассказанные на конференциях), а также размещением на GitHub (к сожалению, там действительно не так много полезных репозиториев с подходящими примерами решения задач), хотя пометки о наличии кода (или датасета, или научной статьи) по ссылке присутствуют. Если применимо и информация доступна, то дополнительно указаны авторы статьей/докладов, компания, для которой разработано решение и вендор, решающий задачу.

Для более удобной навигации пост разбит на разделы по задачам ML на производстве (список задач/разделов не полный, но достаточный для удобства работы с информацией). Пока выделены следующие наиболее популярные и широко представленные задачи:

Подробнее про задачи ML в промышленности можно почитать здесь или в этой обзорной научной статье.

Мне кажется, что пост может быть полезен как начинающим специалистам или студентам, так и опытным дата сайентистам или руководителям разного уровня. Я сам прошел путь от джуна до руководителя, и мне кажется, что польза может заключаться в следующем:

Актуальный список размещен на GitHub и доступен по этой ссылке.

Актуальный на сегодняшний день список кейсов представлен ниже.

1 Recommendations and Optimisations (рекомендации и оптимизация)

2 Anomaly detection (поиск аномалий)

3 RUL (remaining useful life) and TTF (time-to-failure) (остатчный ресурс)

4 Product quality (качество продукции)

5 Other (другие)

6 Multiple cases (overviews and panel discussions) (обзоры кейсов, панельные дискуссии, общие разговоры)

Я создал телеграм канал DataKatser, где появляюсь гораздо чаще и делюсь своими мыслями и интересными кейсами по data science, машинному обучению и искусственному интеллекту. Буду рад вашей подписке!