MENU
    Integracja uczenia maszynowego Microsoft Azure
    • 13 May 2024
    • 1 Minuta do przeczytania
    • Współtwórcy

    Integracja uczenia maszynowego Microsoft Azure


    Streszczenie artykułu

    Usprawnienie przesyłania danych z Tulip do Microsoft Fabric w celu uzyskania szerszych możliwości analitycznych

    Cel

    W tym przewodniku opisano, jak wykorzystać Azure Machine Learning do trenowania modeli i wdrażania ich jako punktów końcowych dostępnych za pośrednictwem Tulip Connectors

    Szersza architektura usługi Azure Machine Learning została przedstawiona poniżejimage

    Konfiguracja

    Trenowanie modelu

    Do trenowania modelu można użyć zautomatyzowanego uczenia maszynowego platformy Azure (bez kodu), Projektanta (niski kod) lub notesu (kod).

    Wdrażanie modelu

    Następnie możesz zapisać model, zarejestrować go i utworzyć dla niego określony punkt końcowy. Aby uzyskać dostęp do tego punktu końcowego w Tulip, możesz utworzyć łącznik z podanymi szczegółami punktu końcowego. przykład poniżej:

    image.png

    Przykładowa architektura

    Poniżej znajduje się szersza architektura Azure z wbudowanym Azure Machine Learning.image.png

    Przypadki użycia i kolejne kroki

    Po sfinalizowaniu punktu końcowego i konektora Azure Machine Learning można łatwo tworzyć i wdrażać modele predykcyjne dla aplikacji Tulip. Poniżej kilka przykładów:

    1. Przewidywanie defektów- Identyfikacja defektów produkcyjnych przed ich wystąpieniem i zwiększenie liczby poprawek za pierwszym razem. - Identyfikacja głównych czynników wpływających na jakość produkcji w celu wdrożenia ulepszeń.

    2. Przewidywanie i optymalizacja dostaw i planowania- Optymalizacja harmonogramu produkcji w oparciu o zapotrzebowanie klientów i harmonogram zamówień w czasie rzeczywistym.

    3. Możliwości predykcyjnej konserwacji- Zrozumienie wymagań konserwacyjnych w oparciu o inne dane wejściowe, takie jak zlecenie pracy, zużycie maszyny, czas od ostatniego zlecenia konserwacji i inne.


    Czy ten artykuł był pomocny?