MI és gépi tanulási platform

Nem. A modellek előre elkészítve érkeznek a gyártási felhasználási esetekhez, és az MSF szakértői hangolják be az Ön adataira.

Helyszíni vagy privát felhős tárolás, az Ön választása szerint. Az Ön termelési adatai soha nem tanítanak más vállalatok modelljeit.

A MES-adatok jelentik az alapot; minden további modul (APS, minőség, karbantartás) újabb MI-felhasználási eseteket nyit meg.

Az osztályonkénti címkézett esetek száma számít, nem az eltelt hónapok. A selejtmodell a hibákból tanul, így egy kevés selejtet termelő soron hosszú ideig mehet a gyártás anélkül, hogy a kisebbségi osztályból elég eset gyűlne össze, a keresletelőrejelző modell viszont több teljes szezonális ciklust kér. A régebbi előzményadat csak akkor számít bele, ha ugyanarra a cikktörzsre és gyárstruktúrára épül, amire ma előrejelez, ezért először keresse meg az utolsó ERP-migrációt vagy cikkszám-átszámozást. Egy rövid, tiszta idősor többet ér egy hosszúnál, amit egy átszámozáson keresztül fűztek össze.

A felügyelt tanuláson alapuló része nem. A prediktív minőséghez az egyik oldalon folyamatparaméterek kellenek, a másikon valódi kimeneti címke, és ha a rekordok többségén egy gyűjtő selejtok áll, abból a modell nem tanul semmit. Először a MES-ben kell rendbe tenni a kódolást, és utána selejtokonként a helyesen kódolt hibás darabok számát kell figyelni. Közben az LSTM-alapú anomáliafelismerés felügyelet nélküli, nem kér címkét, tehát azzal el lehet indulni, azzal a megkötéssel, hogy szokatlan viselkedést jelez, nem megnevezett hibát.

Nem. A paraméter- és optimalizáló modellek javaslatot adnak, ami ember elé kerül: panelre, riportba vagy javasolt ütemtervként az APS-be, és bármit visszaírni a vezérlésbe külön integráció, amit tudatosan kell lehatárolni. Ha később tényleg zárt hurkú alapjel-állítást szeretne, kezelje önálló szabályozástechnikai projektként, saját change managementtel, és soha ne a huzalozott biztonsági reteszelések kiváltásaként.

Számoljon egy megnevezett folyamat- vagy minőségmérnökkel és egy rendszeres, visszatérő áttekintéssel; a hangolást és az újratanítást az MSF végzi, de az eredménynek az Önök oldalán is kell hogy legyen gazdája. A visszatérő munka annak ellenőrzése, hogy az előrejelzések még követik-e a valóságot, annak jelzése, ha egy új termék, egy szerszámcsere vagy egy felújított gép elmozdította a folyamatot, valamint a selejt- és állásidőkódok tisztán tartása. Nem főállás, de nem is nulla.

A pontosság romlik, méghozzá csendben. A modell úgy tanulta meg az üzemet, ahogy az akkor kinézett, így egy új alapanyag, egy felújított gép vagy egy megváltozott ciklusidő az előzményadat egy részét érvényteleníti, miközben a kimenet továbbra is magabiztosnak látszik. A tervezett folyamatváltozásokról szóljon előre, és a projektben rögzítsék, mely modellekhez készül előrejelzett-tényleges összehasonlítás, ki olvassa és milyen gyakran, ahelyett hogy abból indulnának ki, hogy a drift-figyelés alapból minden modellen be van kapcsolva.

Olyan részletességű mérés, amiből az egyes fogyasztók azonosíthatók, a tényleges tarifanaptár, és egy ütemező, aminek az optimalizáló át tud adni egy tervet; a gyári főmérő a totált mutatja meg, arról viszont semmit, hogy melyik műveletet érdemes átrakni. Az optimalizáló energiaár-ablakokra tervez, kWh-ban. A szerződött teljesítménycsúcs tartása ettől külön feladat, ami mérésiintervallum-szintű mérést kíván, és azt, hogy adott pillanatban vissza lehessen fogni vagy le lehessen kapcsolni egy fogyasztót, ezt tehát külön projektként kell kezelni.

Nincs egyetlen pontossági szám. A modell egy pontszámot ad, és hogy hová teszi a riasztási küszöböt, az egyszerre rögzíti a találati és a téves riasztási arányt, olyan darabokon mérve, amelyeket a modell soha nem látott; ennek a pontnak a megválasztása üzleti döntés arról, mennyibe kerül egy megállított jó darab a kiszállított rosszhoz képest. A jellemzőfontosság és a korreláció modellszintű diagnosztika: jó arra, hogy kiszúrjon egy rövidre zárt összefüggést, de egyetlen jelzés megítélésére alkalmatlan. Futtassa shadow módban, amíg elég valódi hiba gyűlik össze az összehasonlításhoz.