Machine Learning för ingenjörsnära kunskapshantering, MALEKC

Syfte och mål

Målet var: ”Att skapa förutsättningar för att effektivt identifiera och återanvända kunskap genom att använda maskininlärningsalgoritmer på ändringsrapporter (ECR)”. Vi har använt Markov-kedjor för att identifiera mönster och NLP för att effektivt söka kunskap i tekniska ändringsrapporter. Även om svaren från det industriella testet var bättre än väntat finns det kvarvarande barriärer. T.ex. den kunskap som efterfrågades var ganska allmän, medan spetskunskap n kan vara svårare att ställa frågor om och lätt kan missförstås.

Resultat och förväntade effekter

Målet var att identifera nya sätt att med automatik identifiera ny kunskap genom maskininlärningsalgoritmer och därefter följa upp detta arbete med automatisk validering med hjälp av smarta assistenter. Detta arbete har i stort lyckats till den tekniska nivå vi avsett i ansökan. Däremot återstår mycket arbete för att få en samanhållen kedja att fungera. Sökning efter kunskap fungerar i sig, och vi har lärt oss mycket kring hur man bör ställa frågor för att få korrekta svar, men arbetet är långt ifrån färdigt.

Upplägg och genomförande

Projektet har genomförts med fyra olika teman varvid de två första i huvudsak berörde utveckling av demonstratorer för avancerad sökning i ECR databaser. De två senare teman behandlade metodikutveckling för kunskapsåteranvändning och experiment kring hur kunskap kan valideras. Huvudsökande i projektet var Chalmers och Wingquistlaboratoriet, övriga deltagare var Fraunhofer Chalmers Centre (FCC), AB Volvo samt Rejmes Transportfordon AB. 6 stycken publikationer, 4 exjobb på masternivå samt 2 st doktorsavhandlingar har författats inom ramen för projektet.