إطلاق إطار عمل مبتكر لتحسين نماذج التعلم الآلي في نموذج الطباعة ثلاثية الأبعاد

في عالم التصنيع الحديث، يشكل اكتشاف التشوهات في عمليات الطباعة ثلاثية الأبعاد (Fused Deposition Modeling - FDM) تحدياً كبيراً يتوجب إيجاد حلول مبتكرة له. وفي خطوة مهمة نحو تعزيز الأداء والكفاءة، تم الكشف عن إطار عمل آلي لمعالجة البيانات (Automated Data Processing - ADP) مصمم خصيصاً لتقييم وتعزيز تركيبات الميزات والنماذج الأمثل لمهام التنبؤ في بيانات عمليات الطباعة.

يعتمد هذا الإطار على آلية تحديث سياسات مستوحاة من التعلم المعزز، حيث يتم تدريب عدة نماذج تعلم آلي على مجموعات الميزات الكاملة والفرعية التي تم اختيارها عبر الذكاء الاصطناعي القابل للتفسير المستند إلى Shapley (SHAP XAI). تتضمن الدراسة 217 مجموعة بيانات حيث يقوم الإطار بتقييم دقة التنبؤ ونتائج F1 لكل زوج من نماذج الميزات، ومن ثم يحسب مكافأة جديدة لتوجيه اختيارات النموذج المستقبلية.

استخدمت أهمية الميزات من SHAP XAI لإنشاء مجموعات ميزات ضئيلة ولكن مفيدة، مما يتيح للإطار استكشاف الأداء مع تقليل الأبعاد. وقد أظهر هذا الإطار تطوراً واضحاً خلال العديد من الحلقات، حيث ساعدت توزيعات المكافآت في تصور استقرار الأداء.

تشير النتائج إلى أن استغلال إطار ADP من خلال خوارزميات XAI يرشد نحو تكوينات نموذجية لميزات مثلى مع تحسين الدقة والاستقرار. خصوصاً، أظهر الإطار المزود زيادة في قيم AUC للاختبار من 0.9248 إلى 0.9731، مما يدل على تحسين كبير يتجاوز 50% في متوسط قيمة المكافآت مقارنةً بالإعدادات الكاملة للميزات.

بات هذا التطور الجديد خطوة هامة نحو تحقيق تحسينات جوهرية في مجالات متعددة ضمن التصنيع والطباعة ثلاثية الأبعاد. ما هو رأيكم في هذا الابتكار؟ شاركونا آرائكم في التعليقات!