--- title: "Microsoft Azure Machine Learning Integration" slug: "microsoft-azure-machine-learning-integration" updated: 2024-05-13T13:34:09Z published: 2024-05-13T13:34:09Z canonical: "support.tulip.co/microsoft-azure-machine-learning-integration" --- > ## Documentation Index > Fetch the complete documentation index at: https://support.tulip.co/llms.txt > Use this file to discover all available pages before exploring further. # Microsoft Azure Machine Learning integráció *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 látható![image](https://learn.microsoft.com/en-us/azure/architecture/ai-ml/idea/_images/azure-machine-learning-solution-architecture.svg) ## 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](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/image%28602%29.png) ## Példa architektúra Az alábbiakban egy tágabb Azure-architektúrát mutatunk be Azure Machine Learning beépítésével.![image.png](https://cdn.document360.io/7c6ff534-cad3-4fc8-9583-912c4016362f/Images/Documentation/image%28601%29.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.