کاربرد یادگیری فدرال در خوشه صنعتی میبد: بهینه‌سازی; فرآیند تولید کاشی و سرامیک

یادگیری فدرال به‌عنوان رویکردی نوین در هوش مصنوعی، امکان آموزش مدل‌های یادگیری ماشین را بدون انتقال داده‌های حساس به سرور مرکزی فراهم می‌کند و در صنایع مختلف، از جمله صنعت کاشی و سرامیک، کاربردهای گسترده‌ای دارد. این مقاله به بررسی کاربردهای یادگیری فدرال در بهینه‌سازی فرآیندهای تولید و قیمت‌گذاری در صنعت کاشی و سرامیک، با تمرکز بر کارخانه‌های شهرستان میبد، استان یزد، می‌پردازد. در این راستا، استفاده از یادگیری فدرال در مراحل مختلف تولید شامل تولید مواد اولیه، بخش پرس، درایر، لعاب‌سازی، کوره، و کنترل کیفیت و بسته‌بندی مورد تحلیل قرار گرفته است. این رویکرد با حفظ حریم خصوصی داده‌های هر کارخانه، امکان به‌اشتراک‌گذاری دانش جمعی را فراهم می‌کند و کارایی فرآیندها را بهبود می‌بخشد. برای مثال، در بخش تولید مواد اولیه، مدل‌های فدرال می‌توانند ترکیب بهینه مواد را پیش‌بینی کنند. در بخش کنترل کیفیت، این روش به تشخیص خودکار عیوب سطحی کاشی‌ها کمک می‌کند. علاوه بر این، یک طرح پیشنهادی مبتنی بر یادگیری فدرال برای قیمت‌گذاری بهینه محصول ارائه شده است که با تجمیع داده‌های چندین کارخانه در میبد، قیمتی رقابتی و عادلانه برای تصویب در انجمن کاشی و سرامیک پیشنهاد می‌دهد. این طرح با استفاده از الگوریتم‌های تجمیع مانند fedavg، دقت مدل‌های قیمت‌گذاری را افزایش می‌دهد. نتایج اولیه نشان می‌دهد که یادگیری فدرال نه‌تنها هزینه‌های تولید را کاهش می‌دهد، بلکه با بهبود هماهنگی بین کارخانه‌ها، رقابت‌پذیری صنعت را تقویت می‌کند. این مطالعه بر اهمیت استفاده از فناوری‌های نوین در صنایع سنتی تاکید دارد و راهکارهایی عملی برای پیاده‌سازی یادگیری فدرال در مقیاس صنعتی ارائه می‌دهد.