MENU
    Microsoft Azure Machine Learning integráció
    • 13 May 2024
    • 1 Elolvasandó perc
    • Közreműködők

    Microsoft Azure Machine Learning integráció


    Cikk összefoglaló

    Az adatok Tulipből a Microsoft Fabricba történő küldésének egyszerűsítése a szélesebb körű elemzési lehetőségek érdekében

    Cél

    Ez az útmutató bemutatja, hogyan használhatja az Azure Machine Learninget a modellek betanításához és a Tulip Connectors-on keresztül elérhető végpontokra való telepítéséhez.

    Az Azure Machine Learning tágabb architektúrája az alábbiakban láthatóimage

    A beállítása

    A modell képzése

    Az Azure Machine Learning automatizált ML (kód nélküli), Designer (alacsony kódú) vagy notebook (kód) segítségével képezheti a modelljét.

    A modell telepítése

    Ezután elmentheti a modellt, majd regisztrálhatja és létrehozhat hozzá egy konkrét végpontot. Ahhoz, hogy elérje ezt a végpontot a Tulipban, létrehozhat egy csatlakozót a megadott végpontadatokkal. lásd alább egy példát:

    image.png

    Példa architektúra

    Az alábbiakban egy tágabb Azure-architektúrát mutatunk be Azure Machine Learning beépítésével.image.png

    Felhasználási esetek és következő lépések

    Miután véglegesítette az Azure Machine Learning végpontot és a csatlakozót, könnyedén készíthet és telepíthet előrejelző modelleket a Tulip alkalmazásokhoz. Néhány példa az alábbiakban:

    1. Hibák előrejelzése- A gyártási hibák azonosítása, mielőtt azok bekövetkeznének, és az első alkalommal történő helyes működés növelése - A minőséget befolyásoló alapvető gyártási tényezők azonosítása a fejlesztések végrehajtása érdekében.

    2. Szállítási és tervezési előrejelzés és optimalizálás- A gyártási ütemezés optimalizálása az ügyfelek igényei és a valós idejű rendelési ütemezés alapján.

    3. Előrejelző karbantartási képességek- A karbantartási követelmények megértése más bemeneti adatok alapján, mint például a munkamegrendelés, a gép kopása és elhasználódása, az utolsó karbantartási munkamegrendelés óta eltelt idő stb.


    Hasznos volt ez a cikk?