Integración de Microsoft Azure Machine Learning

Racionalizar el envío de datos de Tulip a Microsoft Fabric para ampliar las oportunidades de análisis

Propósito

Esta guía explica cómo aprovechar Azure Machine Learning para entrenar modelos e implementarlos como puntos finales accesibles a través de Tulip Connectors.

La arquitectura más amplia para Azure Machine Learning se muestra a continuación

Configurar

Entrenar el modelo

Puede utilizar el ML automatizado de Azure Machine Learning (sin código), Designer (bajo código) o un cuaderno (código) para entrenar su modelo.

Despliegue del modelo

A continuación, puede guardar el modelo y registrarlo y crear un punto final específico para él. Para acceder a este punto final en Tulip, puede crear un conector con los detalles del punto final dado. vea a continuación un ejemplo:

Ejemplo de Arquitectura

A continuación se muestra una arquitectura Azure más amplia con Azure Machine Learning en ella.

Casos de uso y próximos pasos

Una vez que hayas finalizado el punto final de Azure Machine Learning y el conector, puedes construir y desplegar fácilmente modelos predictivos para aplicaciones Tulip. Algunos ejemplos a continuación:

1. Predicción de defectos- Identificar los defectos de producción antes de que ocurran y aumentar el acierto a la primera - Identificar los principales impulsores de producción de la calidad con el fin de implementar mejoras.

2.Prediccióny optimización de la entrega y la planificación- Optimizar el programa de producción basado en la demanda del cliente y el programa de pedidos en tiempo real.

3. Capacidades de mantenimiento predictivo- Comprender los requisitos de mantenimiento en función de otros datos como la orden de trabajo, el desgaste de la máquina, el tiempo transcurrido desde la última orden de trabajo de mantenimiento, etc.