这些算法擅长运行可重复的流程——那些不需要人工判断即可完成的流程。但是，仍然需要专家来处理“边缘”情况。

机器学习正在服务企业中被用来运行标准、常规、可重复的部分流程。在最近的OPEX夏季虚拟会议上，每天的会议都有很多服务公司介绍他们使用机器来运行每天执行十几次到一百次的核心业务流程的方法。

制造业组织可以从这种方法中吸取教训。正如我们在之前的文章中所讨论的，通过利用混合倡议的方法，并结合黑带流程专业知识和机器学习系统的优点，我们可以以一种有意义的方式操作机器学习，并推动制造业运营的数字化转型。

边缘案例的艰难历程

机器算法擅长运行可重复的流程--那些不需要人类判断就能完成的流程。然而，专家仍然需要处理 "边缘 "案例，即那些非标准的、需要人类智慧来解释和解决的案例。制造业中的边缘案例涉及到不经常发生的非程序性的事情，从表面上看，似乎不能重复。

其中一些是极其罕见的变化，如启动新的生产线、鉴定下一代设备、更换过时的机器、灾难性的设备故障等。其他的边缘案例出现的频率更高，比如在生产新产品时--从故障和维护活动中恢复，或者在新的操作人员入职时。无论是哪种情况，边缘案例都需要一些人工干预来解决，重新优化流程，使其恢复到稳定状态。

让基于机器学习的系统来处理边缘案例是很复杂的，有几个原因。

●由于这些边缘案例不经常发生，所以没有关于这些边缘案例的良好数据。

●关于如何应对边缘案例的知识库通常停留在有经验的专家的头脑中。

●采取的行动和取得的结果之间的映射是不完整的，限制了任何基于学习的方法。

提供足够的数据来训练基于机器学习的方法，需要专家手动捕捉所有用于管理边缘案例事件的行动，并进一步将这些行动与结果联系起来。这在制造环境中是有问题的，因为人们都很忙。他们的价值通常不与数据输入任务相关，而是与产出单位相关。要求一个人手动输入关于他们一直在忙于恢复的事件的反应，不可能产生高质量的反应数据集。

克服障碍

为了克服这些挑战，我们需要对与边缘案例事件相关的行动和结果进行非侵入性但持续的捕捉。现在有几个智能产品有可能弥补这一差距。这些产品包括可穿戴技术，以及被动和智能界面。谷歌眼镜是一类智能可穿戴设备的例子，可以用来弥补这一差距。然而，在这种情况下，相对于为穿戴者提供实时的帮助来处理边缘案例，我们反而用设备来捕捉关于边缘案例的数据、行动和结果。同样地，我们也可以使用类似于苹果和谷歌所采用的接触追踪方法的互动和被动界面。这已经被用来使蓝牙网状网络在不分享隐私信息的情况下交易关于Covid积极互动的数据，并且可以被重新用于工厂车间，在 "边缘 "案例反应过程中追踪和记录数据标签。

除了对数据、行动和结果的非侵入性捕获，我们还需要机器学习的进步，以便能够利用这些数据来训练能够开始处理边缘案例的模型。机器学习的一个有趣的研究领域是学徒制学习。这背后的想法是，ML代理表现得像一个学徒--观察专家采取的行动，并学习模仿他们来完成适当的任务。这些想法主要在机器人学中得到了探索，人类专家被用来教机器人代理如何采取某些物理行动。

底层的学习算法使用逆向强化学习--模型需要通过观察专家的行动来估计他们试图实现的目标，然后在它试图完成类似的任务时尝试优化它。最近，这种方法的应用已被证明在游戏环境（如雅达利游戏的玩法）以及现实世界的环境中起作用，如直升机控制和动画。将这些方法调整到制造环境中，将允许ML代理通过观察来学习处理边缘情况所需的行动。

教导机器

在本十年的剩余时间和下一个十年里，当前现实中的劳动力紧缺问题不会得到缓解。要求工人--他们的数量在不断减少--在尽快从事件中恢复过来的同时抽出时间来输入数据是一个失败的提议。随着辞职大潮的持续，制造商的压力将增加，随着人们在组织中寻找他们的 "理想 "工作环境，营业额和培训需求也将增加。

随着可用劳动力的减少，机器需要能够吸收越来越多的 "边缘 "内容到机器范式中。通过可穿戴监测产品、被动跟踪和基于反向强化的学习方法，人可以 "教 "机器关于边缘案例的知识，机器可以利用这些知识来扩大对边缘案例的常规反应要素的理解，挑选出可重复的要素，即使边缘案例不是每天都发生。

当我们向未来迈进时，会出现人口萎缩的情况。这在许多国家已经在发生。在未来的人口中，愿意从事制造业的那部分人将是不断减少的人口中的一个子集，然而我们对产品的需求似乎正在增加。技术工具需要以这样的方式来组装，以弥补这一差距。

制造业的现状有几个挑战，以实现机器指导操作的愿景，数字助理的概念在发挥作用。随着廉价劳动力供应的紧缩，实现技术飞跃的经济性将发生变化。许多组织多年来一直在努力为他们的业务配备人员，造成生产中断和闲置时间，由于投资没有得到充分利用，因此代价高昂。其他的挑战围绕着领导者对技术的舒适程度，理解技术解决其特定问题的潜力的能力，以及在技术方法被组合成一个无缝整合时的耐心。

在提高机器学习边缘案例的能力的过程中，手动输入数据是一个不可能的事情。主动监测工具提供数据，而人类不必停止他们在边缘案例上的工作，这是实现机器学习的解决方案。下一个十年的当务之急是设置机器向人类学习，并通过揭示底层例程和吸收这些例程的黄金运行库来吸收更多的 "边缘案例"。