Intégration de Microsoft Azure Machine Learning

Rationaliser l'envoi de données de Tulip vers Microsoft Fabric pour élargir les possibilités d'analyse

Objectif

Ce guide explique comment exploiter Azure Machine Learning pour entraîner des modèles et les déployer en tant que points de terminaison accessibles via les connecteurs Tulip.

L'architecture générale d'Azure Machine Learning est présentée ci-dessous

Configuration

Entraîner le modèle

Vous pouvez utiliser Azure Machine Learning's automated ML (no-code), Designer (low-code), ou un notebook (code) pour former votre modèle.

Déployer le modèle

Ensuite, vous pouvez sauvegarder le modèle, l'enregistrer et créer un endpoint spécifique pour lui. Pour accéder à cet endpoint dans Tulip, vous pouvez créer un connecteur avec les détails de l'endpoint donné. voir ci-dessous pour un exemple :

Exemple d'architecture

Ci-dessous se trouve une architecture Azure plus large avec Azure Machine Learning intégré.

Cas d'utilisation et prochaines étapes

Une fois que vous avez finalisé le point de terminaison et le connecteur Azure Machine Learning, vous pouvez facilement construire et déployer des modèles prédictifs pour les applications Tulip. Quelques exemples ci-dessous :

1. Prédiction desdéfauts - Identifier les défauts de production avant qu'ils ne se produisent et augmenter la qualité dès la première fois - Identifier les principaux facteurs de production de la qualité afin de mettre en œuvre des améliorations.

2. Prédiction et optimisation des livraisons et de la planification- Optimiser le programme de production en fonction de la demande du client et du programme de commande en temps réel.

3. Capacités de maintenance prédictive- Comprendre les besoins de maintenance en fonction d'autres données telles que les ordres de travail, l'usure des machines, le temps écoulé depuis le dernier ordre de travail, etc.