Human-in-the-Loop Feedback op Machine Learning modellen

Mkb-maakbedrijven staan onder toenemende druk om snel en flexibel te reageren op veranderende marktomstandigheden en klantbehoeften. Om productieprocessen beter te plannen en te sturen zetten bedrijven daarom steeds vaker data-analyse en machine learning (ML) technologie in. ML-modellen kunnen bijvoorbeeld helpen bij het toewijzen van orders, het voorspellen van doorlooptijden en het groeperen van productieorders. Hierdoor kunnen bedrijven efficiënter plannen en beter inspelen op variatie in vraag en productie.
In verschillende onderzoeksprojecten zijn dergelijke modellen ontwikkeld samen met mkb-metaalbedrijven.
Nu deze technologie daadwerkelijk in gebruik genomen worden, verschuift de uitdaging echter.
Productieplanners en werkvoorbereiders nemen modeladviezen niet automatisch over, maar passen deze aan op basis van hun ervaring en kennis van de praktijk. Deze interactie tussen mens en algoritme bepaalt uiteindelijk de planningsbeslissingen, maar wordt momenteel nauwelijks vastgelegd of benut.
Daardoor blijft waardevolle praktijkkennis onbenut en ontbreekt inzicht in de kwaliteit en bruikbaarheid van modeladviezen. Voor veel bedrijven ontstaat daarom een nieuwe vraag: hoe weten we of een modelresultaat goed is, en hoe kunnen we gebruikersfeedback benutten om modellen te verbeteren?
Dit project onderzoekt hoe feedback van planners, werkvoorbereiders en teamleiders systematisch kan worden vastgelegd en gebruikt om machine-learningmodellen voor productieplanning te evalueren en te verbeteren. Samen met mkb-maakbedrijven worden feedbackmechanismen rond modelgebruik geanalyseerd en worden eerste methoden ontwikkeld om deze feedback beter te benutten.
De resultaten leveren praktische ontwerpprincipes op voor het verbeteren van verantwoord en effectief in te zetten van ML technologie in productieplanning. Daarmee helpt het project mkb-bedrijven om ML-
oplossingen betrouwbaarder te gebruiken.