Integracja uczenia maszynowego Microsoft Azure

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 poniżej

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:

Przykładowa architektura

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

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.