可用机器学习部署的经验及其在风力涡轮机监测中的应用

通过过去将我们所称的可用机器学习（usable ML，较可解释机器学习更进一步，包含解释及其他增强信息）部署到现实领域中的经验，我们得出了三个关键教训。首先，许多组织开始聘用我们称之为“桥梁”的人员，因为他们弥合了机器学习开发者与领域专家之间的鸿沟，这些人在开发可用机器学习应用中发挥着宝贵的作用。其次，一个可配置的系统对于在协作中轻松迭代可用机器学习接口至关重要，该系统允许在与“桥梁”人员合作期间轻松迭代可用机器学习界面是关键。最后，需要进行持续的部署内评估，以量化可用机器学习的现实影响。在本文中，我们将这些教训应用于风力涡轮机监测这一可再生能源领域的关键任务中。涡轮机工程师和数据分析师必须决定是否对涡轮机进行昂贵的现场调查，以防止潜在的刹车片故障，而经过良好调整的可用机器学习接口可以辅助这一决策过程。通过将这些教训应用于该任务，我们希望展示可用机器学习在可再生能源领域的潜在现实影响。