— Одна из ключевых особенностей мелкосерийного производства — быстрая смена задач, необходимость частой перенастройки оборудования в связи с переменным спросом. Обычные математические методы, которые применяются при оптимизации производственных процессов, часто не способны справиться с такой сложной задачей, поскольку требуют точных данных, которых может и не быть, — каждый раз надо подбирать новые параметры для описания системы. Поэтому я решил применить для этой задачи метод машинного обучения с подкреплением, а в частности нейронную сеть архитектуры Deep Deterministic Policy Gradients (DDPG), — рассказывает Семён Беляев.
— Нейросеть показала большой потенциал обучаемости и способна к ещё большей адаптивности, есть перспектива выстраивать не только текущее, но и будущее состояние производственной системы, реагировать на непредвиденные ситуации, — отметил он.