Integration von Microsoft Azure Machine Learning

Rationalisierung der Datenübertragung von Tulip zu Microsoft Fabric für breitere Analysemöglichkeiten

Zweck

Dieser Leitfaden zeigt, wie Azure Machine Learning genutzt werden kann, um Modelle zu trainieren und sie als Endpunkte einzusetzen, die über Tulip Connectors zugänglich sind.

Die breitere Architektur für Azure Machine Learning ist unten dargestellt

Einrichten

Das Modell trainieren

Sie können Azure Machine Learning's automatisiertes ML (no-code), Designer (low-code) oder ein Notizbuch (code) verwenden, um Ihr Modell zu trainieren.

Bereitstellen des Modells

Dann können Sie das Modell speichern und registrieren und einen spezifischen Endpunkt dafür erstellen. Um auf diesen Endpunkt in Tulip zuzugreifen, können Sie einen Konnektor mit den gegebenen Endpunktdetails erstellen. siehe unten für ein Beispiel:

Beispiel Architektur

Unten sehen Sie eine breitere Azure-Architektur, in die Azure Machine Learning eingebettet ist.

Anwendungsfälle und nächste Schritte

Sobald Sie den Azure Machine Learning Endpunkt und den Konnektor fertiggestellt haben, können Sie leicht Vorhersagemodelle für Tulip-Anwendungen erstellen und einsetzen. Hier einige Beispiele:

1. Fehlervorhersage- Erkennen Sie Produktionsfehler, bevor sie auftreten, und erhöhen Sie die Fehlerquote beim ersten Mal - Identifizieren Sie die wichtigsten Qualitätsfaktoren in der Produktion, um Verbesserungen zu implementieren

2. Liefer- und Planungsvorhersage und -optimierung- Optimieren Sie den Produktionsplan basierend auf der Kundennachfrage und dem Echtzeit-Auftragsplan

3. Vorausschauende Wartungsfunktionen- Verstehen Sie den Wartungsbedarf auf der Grundlage anderer Eingaben wie Arbeitsauftrag, Maschinenverschleiß, Zeit seit dem letzten Wartungsauftrag und mehr.