Интеграция машинного обучения в Microsoft Azure

Оптимизация отправки данных из Tulip в Microsoft Fabric для расширения возможностей аналитики

Цель

В этом руководстве рассказывается о том, как использовать Azure Machine Learning для обучения моделей и их развертывания в качестве конечных точек, доступных через Tulip Connectors.

Более широкая архитектура Azure Machine Learning показана ниже.

Настройка

Обучение модели

Для обучения модели можно использовать автоматический ML в Azure Machine Learning (без кода), конструктор (с низким кодом) или блокнот (с кодом).

Развертывание модели

Затем вы можете сохранить модель, зарегистрировать ее и создать для нее определенную конечную точку. Чтобы получить доступ к этой конечной точке в Tulip, вы можете создать коннектор с заданными данными конечной точки. пример смотрите ниже:

Пример архитектуры

Ниже приведена более широкая архитектура Azure с Azure Machine Learning.

Примеры использования и дальнейшие шаги

После завершения работы над конечной точкой и коннектором Azure Machine Learning вы сможете легко создавать и развертывать прогнозные модели для приложений Tulip. Некоторые примеры приведены ниже:

1. Прогнозирование дефектов- выявление производственных дефектов до их возникновения и увеличение количества правильных решений с первого раза. - Выявление основных факторов качества производства для внедрения улучшений.

2. Прогнозирование и оптимизация поставок и планирования- Оптимизация графика производства на основе спроса клиентов и графика заказов в реальном времени.

3. Возможности предиктивного технического обслуживания- понимание потребностей в техническом обслуживании на основе других данных, таких как наряд-заказ, износ оборудования, время, прошедшее с момента последнего наряда-заказа на техническое обслуживание, и т. д.