Η προγνωστική συντήρηση είναι μια στρατηγική συντήρησης βάσει δεδομένων για την παρακολούθηση των βιομηχανικών περιουσιακών στοιχείων προκειμένου να εντοπιστούν ανωμαλίες στις λειτουργίες και την υγεία του εξοπλισμού που θα μπορούσαν να οδηγήσουν σε βλάβες του εξοπλισμού. Μέσω της προληπτικής παρακολούθησης της κατάστασης ενός περιουσιακού στοιχείου, το προσωπικό συντήρησης μπορεί να ειδοποιηθεί πριν προκύψουν προβλήματα, αποφεύγοντας έτσι δαπανηρές απρογραμμάτιστες διακοπές λειτουργίας, που με τη σειρά τους οδηγεί σε αύξηση της Συνολικής Αποτελεσματικότητας Εξοπλισμού (OEE).
Ωστόσο, η δημιουργία των απαραίτητων μοντέλων μηχανικής μάθησης (ML) για προγνωστική συντήρηση είναι περίπλοκη και χρονοβόρα. Απαιτεί πολλά βήματα, συμπεριλαμβανομένης της προεπεξεργασίας των δεδομένων, της κατασκευής, της εκπαίδευσης, της αξιολόγησης και, στη συνέχεια, της τελειοποίησης πολλαπλών μοντέλων ML που μπορούν να προβλέψουν αξιόπιστα ανωμαλίες στα δεδομένα του στοιχείου σας. Τα τελικά μοντέλα ML πρέπει στη συνέχεια να αναπτυχθούν και να παρέχονται με ζωντανά δεδομένα για online προβλέψεις (συμπερασματικά). Η κλιμάκωση αυτής της διαδικασίας σε πολλαπλά περιουσιακά στοιχεία διαφόρων τύπων και λειτουργικών προφίλ είναι συχνά πολύ εντάσεως πόρων για να καταστήσει βιώσιμη την ευρύτερη υιοθέτηση της προγνωστικής συντήρησης.
Με Αναζήτηση Amazon για εξοπλισμό, μπορείτε να αναλύσετε απρόσκοπτα τα δεδομένα αισθητήρων για τον βιομηχανικό εξοπλισμό σας για να εντοπίσετε μη φυσιολογική συμπεριφορά του μηχανήματος—χωρίς να απαιτείται εμπειρία ML.
Όταν οι πελάτες εφαρμόζουν περιπτώσεις χρήσης πρόβλεψης συντήρησης με το Lookout for Equipment, συνήθως επιλέγουν μεταξύ τριών επιλογών για να παραδώσουν το έργο: να το κατασκευάσουν μόνοι τους, να εργαστούν με έναν συνεργάτη AWS ή να χρησιμοποιήσουν τις επαγγελματικές υπηρεσίες AWS. Προτού δεσμευτούν σε τέτοια έργα, οι υπεύθυνοι λήψης αποφάσεων, όπως οι διαχειριστές εγκαταστάσεων, οι υπεύθυνοι αξιοπιστίας ή συντήρησης και οι ηγέτες γραμμής θέλουν να δουν στοιχεία της πιθανής αξίας που μπορεί να αποκαλύψει η προγνωστική συντήρηση στους τομείς της επιχείρησής τους. Μια τέτοια αξιολόγηση πραγματοποιείται συνήθως ως μέρος μιας απόδειξης της ιδέας (POC) και αποτελεί τη βάση για μια επιχειρηματική υπόθεση.
Αυτή η ανάρτηση απευθύνεται τόσο σε τεχνικούς όσο και σε μη τεχνικούς χρήστες: παρέχει μια αποτελεσματική προσέγγιση για την αξιολόγηση του Lookout for Equipment με τα δικά σας δεδομένα, επιτρέποντάς σας να μετρήσετε την επιχειρηματική αξία που παρέχει οι δραστηριότητες πρόβλεψης συντήρησης.
Επισκόπηση λύσεων
Σε αυτήν την ανάρτηση, σας καθοδηγούμε στα βήματα για να απορροφήσετε ένα σύνολο δεδομένων στο Lookout for Equipment, να ελέγξετε την ποιότητα των δεδομένων του αισθητήρα, να εκπαιδεύσετε ένα μοντέλο και να αξιολογήσετε το μοντέλο. Η ολοκλήρωση αυτών των βημάτων θα σας βοηθήσει να αποκτήσετε πληροφορίες για την υγεία του εξοπλισμού σας.
Προϋποθέσεις
Το μόνο που χρειάζεστε για να ξεκινήσετε είναι ένας λογαριασμός AWS και ένα ιστορικό δεδομένων αισθητήρων για στοιχεία που μπορούν να επωφεληθούν από μια προσέγγιση προγνωστικής συντήρησης. Τα δεδομένα του αισθητήρα θα πρέπει να αποθηκεύονται ως αρχεία CSV σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος από τον λογαριασμό σας. Η ομάδα IT σας θα πρέπει να είναι σε θέση να πληροί αυτές τις προϋποθέσεις κάνοντας αναφορά σε Μορφοποίηση των δεδομένων σας. Για να είναι απλά τα πράγματα, είναι καλύτερο να αποθηκεύσετε όλα τα δεδομένα αισθητήρα σε ένα αρχείο CSV όπου οι σειρές είναι χρονικές σημάνσεις και οι στήλες είναι μεμονωμένοι αισθητήρες (έως 300).
Μόλις έχετε το σύνολο δεδομένων σας διαθέσιμο στο Amazon S3, μπορείτε να ακολουθήσετε το υπόλοιπο αυτής της ανάρτησης.
Προσθέστε ένα σύνολο δεδομένων
Το Lookout for Equipment χρησιμοποιεί έργα για την οργάνωση των πόρων για την αξιολόγηση τμημάτων βιομηχανικού εξοπλισμού. Για να δημιουργήσετε ένα νέο έργο, ολοκληρώστε τα παρακάτω βήματα:
- Στην κονσόλα Lookout for Equipment, επιλέξτε Δημιουργία έργου.
- Εισαγάγετε ένα όνομα έργου και επιλέξτε Δημιουργία έργου.
Μετά τη δημιουργία του έργου, μπορείτε να απορροφήσετε ένα σύνολο δεδομένων που θα χρησιμοποιηθεί για την εκπαίδευση και την αξιολόγηση ενός μοντέλου για τον εντοπισμό ανωμαλιών.
- Στη σελίδα του έργου, επιλέξτε Προσθήκη δεδομένων.
- Για S3 τοποθεσία, εισαγάγετε τη θέση S3 (εξαιρουμένου του ονόματος αρχείου) των δεδομένων σας.
- Για Μέθοδος ανίχνευσης σχήματος, Επιλέξτε Με όνομα αρχείου, το οποίο προϋποθέτει ότι όλα τα δεδομένα αισθητήρα για ένα στοιχείο περιέχονται σε ένα μόνο αρχείο CSV στην καθορισμένη θέση S3.
- Διατηρήστε τις υπόλοιπες ρυθμίσεις ως προεπιλογές και επιλέξτε Έναρξη κατάποσης για να ξεκινήσει η διαδικασία κατάποσης.
Η κατάποση μπορεί να διαρκέσει περίπου 10-20 λεπτά για να ολοκληρωθεί. Στο παρασκήνιο, το Lookout for Equipment εκτελεί τις ακόλουθες εργασίες:
- Ανιχνεύει τη δομή των δεδομένων, όπως ονόματα αισθητήρων και τύπους δεδομένων.
- Οι χρονικές σημάνσεις μεταξύ των αισθητήρων είναι ευθυγραμμισμένες και οι τιμές που λείπουν συμπληρώνονται (χρησιμοποιώντας την πιο πρόσφατη γνωστή τιμή).
- Οι διπλές χρονικές σημάνσεις καταργούνται (διατηρείται μόνο η τελευταία τιμή για κάθε χρονική σήμανση).
- Το Lookout for Equipment χρησιμοποιεί πολλαπλούς τύπους αλγορίθμων για τη δημιουργία του μοντέλου ανίχνευσης ανωμαλιών ML. Κατά τη φάση της κατάποσης, προετοιμάζει τα δεδομένα ώστε να μπορούν να χρησιμοποιηθούν για την εκπαίδευση αυτών των διαφορετικών αλγορίθμων.
- Αναλύει τις τιμές μέτρησης και βαθμολογεί κάθε αισθητήρα ως υψηλής, μεσαίας ή χαμηλής ποιότητας.
- Όταν ολοκληρωθεί η απορρόφηση δεδομένων, επιθεωρήστε την επιλέγοντας Προβολή δεδομένων κάτω από το Βήμα 2 της σελίδας του έργου.
Κατά τη δημιουργία ενός μοντέλου ανίχνευσης ανωμαλιών, η επιλογή των καλύτερων αισθητήρων (αυτών που περιέχουν την υψηλότερη ποιότητα δεδομένων) είναι συχνά κρίσιμη για τα μοντέλα εκπαίδευσης που παρέχουν χρήσιμες πληροφορίες. ο Στοιχεία συνόλου δεδομένων Η ενότητα δείχνει την κατανομή των διαβαθμίσεων του αισθητήρα (μεταξύ υψηλού, μεσαίου και χαμηλού), ενώ ο πίνακας εμφανίζει πληροφορίες για κάθε αισθητήρα ξεχωριστά (συμπεριλαμβανομένου του ονόματος του αισθητήρα, του εύρους ημερομηνιών και της βαθμολόγησης για τα δεδομένα του αισθητήρα). Με αυτήν τη λεπτομερή αναφορά, μπορείτε να πάρετε μια τεκμηριωμένη απόφαση σχετικά με τους αισθητήρες που θα χρησιμοποιήσετε για να εκπαιδεύσετε τα μοντέλα σας. Εάν ένα μεγάλο ποσοστό αισθητήρων στο σύνολο δεδομένων σας βαθμολογείται ως μεσαίο ή χαμηλό, ενδέχεται να υπάρχει πρόβλημα δεδομένων που χρειάζεται διερεύνηση. Εάν είναι απαραίτητο, μπορείτε να ανεβάσετε ξανά το αρχείο δεδομένων στο Amazon S3 και να απορροφήσετε ξανά τα δεδομένα επιλέγοντας Αντικατάσταση δεδομένων.
Επιλέγοντας την καταχώριση βαθμού αισθητήρα στον πίνακα λεπτομερειών, μπορείτε να δείτε λεπτομέρειες σχετικά με τα σφάλματα επικύρωσης που προκύπτουν σε έναν δεδομένο βαθμό. Η εμφάνιση και η αντιμετώπιση αυτών των λεπτομερειών θα βοηθήσει να διασφαλιστεί ότι οι πληροφορίες που παρέχονται στο μοντέλο είναι υψηλής ποιότητας. Για παράδειγμα, μπορεί να δείτε ότι ένα σήμα έχει απροσδόκητα μεγάλα κομμάτια τιμών που λείπουν. Είναι πρόβλημα μεταφοράς δεδομένων ή ο αισθητήρας δεν λειτουργούσε σωστά; Ώρα να βουτήξετε βαθύτερα στα δεδομένα σας!
Για να μάθετε περισσότερα σχετικά με τους διαφορετικούς τύπους προβλημάτων αισθητήρων που αντιμετωπίζει το Lookout for Equipment κατά την βαθμολόγηση των αισθητήρων σας, ανατρέξτε στο Αξιολόγηση βαθμών αισθητήρων. Οι προγραμματιστές μπορούν επίσης να εξαγάγουν αυτές τις πληροφορίες χρησιμοποιώντας το ListSensorStatistics API.
Όταν είστε ευχαριστημένοι με το σύνολο δεδομένων σας, μπορείτε να προχωρήσετε στο επόμενο βήμα της εκπαίδευσης ενός μοντέλου για την πρόβλεψη ανωμαλιών.
Εκπαιδεύστε ένα μοντέλο
Το Lookout for Equipment επιτρέπει την εκπαίδευση μοντέλων για συγκεκριμένους αισθητήρες. Αυτό σας δίνει την ευελιξία να πειραματιστείτε με διαφορετικούς συνδυασμούς αισθητήρων ή να αποκλείσετε αισθητήρες με χαμηλή βαθμολογία. Ολοκληρώστε τα παρακάτω βήματα:
- Στο Λεπτομέρειες ανά αισθητήρα ενότητα στη σελίδα δεδομένων, επιλέξτε τους αισθητήρες που θα συμπεριλάβετε στο μοντέλο σας και επιλέξτε Δημιουργήστε μοντέλο.
- Για Ονομα μοντέλου, πληκτρολογήστε ένα όνομα μοντέλου και, στη συνέχεια, επιλέξτε Επόμενο.
- Στο Ρυθμίσεις εκπαίδευσης και αξιολόγησης ενότητα, διαμορφώστε τα δεδομένα εισόδου του μοντέλου.
Για την αποτελεσματική εκπαίδευση των μοντέλων, τα δεδομένα πρέπει να χωριστούν σε ξεχωριστά σύνολα εκπαίδευσης και αξιολόγησης. Μπορείτε να ορίσετε εύρη ημερομηνιών για αυτόν τον διαχωρισμό σε αυτήν την ενότητα, μαζί με ένα ποσοστό δειγματοληψίας για τους αισθητήρες. Πώς επιλέγετε αυτό το split; Σκέψου τα ακόλουθα:
- Το Lookout for Equipment αναμένει δεδομένα τουλάχιστον 3 μηνών στο εύρος εκπαίδευσης, αλλά η βέλτιστη ποσότητα δεδομένων καθορίζεται από την περίπτωση χρήσης σας. Ενδέχεται να απαιτούνται περισσότερα δεδομένα για τον υπολογισμό οποιουδήποτε τύπου εποχικότητας ή λειτουργικών κύκλων που διέρχεται η παραγωγή σας.
- Δεν υπάρχουν περιορισμοί στο εύρος αξιολόγησης. Ωστόσο, συνιστούμε να ορίσετε ένα εύρος αξιολόγησης που να περιλαμβάνει γνωστές ανωμαλίες. Με αυτόν τον τρόπο, μπορείτε να ελέγξετε εάν το Lookout for Equipment είναι σε θέση να καταγράψει τυχόν ενδιαφέροντα γεγονότα που οδηγούν σε αυτές τις ανωμαλίες.
Καθορίζοντας τον ρυθμό δειγματοληψίας, το Lookout for Equipment μειώνει αποτελεσματικά τα δεδομένα του αισθητήρα, γεγονός που μπορεί να μειώσει σημαντικά τον χρόνο εκπαίδευσης. Ο ιδανικός ρυθμός δειγματοληψίας εξαρτάται από τους τύπους ανωμαλιών που υποπτεύεστε στα δεδομένα σας: για ανωμαλίες με αργή τάση, η επιλογή ενός ρυθμού δειγματοληψίας μεταξύ 1-10 λεπτών είναι συνήθως ένα καλό σημείο εκκίνησης. Η επιλογή χαμηλότερων τιμών (αύξηση του ποσοστού δειγματοληψίας) έχει ως αποτέλεσμα μεγαλύτερους χρόνους προπόνησης, ενώ υψηλότερες τιμές (χαμηλός ρυθμός δειγματοληψίας) μειώνουν τον χρόνο εκπαίδευσης με κίνδυνο να αφαιρέσουν τους κύριους δείκτες από τα δεδομένα σας που σχετίζονται με την πρόβλεψη των ανωμαλιών.
Για εκπαίδευση μόνο σε σχετικά τμήματα των δεδομένων σας όπου λειτουργούσε ο βιομηχανικός εξοπλισμός, μπορείτε να εκτελέσετε ανίχνευση εκτός χρόνου επιλέγοντας έναν αισθητήρα και ορίζοντας ένα όριο που υποδεικνύει εάν ο εξοπλισμός ήταν σε κατάσταση ενεργοποίησης ή απενεργοποίησης. Αυτό είναι κρίσιμο γιατί επιτρέπει στο Lookout for Equipment να φιλτράρει τις χρονικές περιόδους για εκπαίδευση όταν το μηχάνημα είναι απενεργοποιημένο. Αυτό σημαίνει ότι το μοντέλο μαθαίνει μόνο σχετικές καταστάσεις λειτουργίας και όχι μόνο όταν το μηχάνημα είναι απενεργοποιημένο.
- Καθορίστε τον εντοπισμό εκτός χρόνου και, στη συνέχεια, επιλέξτε Επόμενο.
Προαιρετικά, μπορείτε να παρέχετε ετικέτες δεδομένων, οι οποίες υποδεικνύουν περιόδους συντήρησης ή γνωστούς χρόνους αστοχίας του εξοπλισμού. Εάν έχετε τέτοια δεδομένα διαθέσιμα, μπορείτε να δημιουργήσετε ένα αρχείο CSV με τα δεδομένα στο α τεκμηριωμένη μορφή, ανεβάστε το στο Amazon S3 και χρησιμοποιήστε το για εκπαίδευση μοντέλων. Η παροχή ετικετών μπορεί να βελτιώσει την ακρίβεια του εκπαιδευμένου μοντέλου λέγοντας στο Lookout for Equipment όπου θα έπρεπε να αναμένει να βρει γνωστές ανωμαλίες.
- Καθορίστε τυχόν ετικέτες δεδομένων και, στη συνέχεια, επιλέξτε Επόμενο.
- Ελέγξτε τις ρυθμίσεις σας στο τελευταίο βήμα. Εάν όλα φαίνονται καλά, μπορείτε να ξεκινήσετε την προπόνηση.
Ανάλογα με το μέγεθος του συνόλου δεδομένων σας, τον αριθμό των αισθητήρων και τον ρυθμό δειγματοληψίας, η εκπαίδευση του μοντέλου μπορεί να διαρκέσει μερικές στιγμές ή έως και μερικές ώρες. Για παράδειγμα, εάν χρησιμοποιείτε δεδομένα 1 έτους με ρυθμό δειγματοληψίας 5 λεπτών με 100 αισθητήρες και χωρίς ετικέτες, η εκπαίδευση ενός μοντέλου θα διαρκέσει λιγότερο από 15 λεπτά. Από την άλλη πλευρά, εάν τα δεδομένα σας περιέχουν μεγάλο αριθμό ετικετών, ο χρόνος εκπαίδευσης θα μπορούσε να αυξηθεί σημαντικά. Σε μια τέτοια περίπτωση, μπορείτε να μειώσετε τον χρόνο προπόνησης συγχωνεύοντας παρακείμενες περιόδους ετικετών για να μειώσετε τον αριθμό τους.
Μόλις εκπαιδεύσατε το πρώτο σας μοντέλο ανίχνευσης ανωμαλιών χωρίς καμία γνώση ML! Τώρα ας δούμε τις πληροφορίες που μπορείτε να πάρετε από ένα εκπαιδευμένο μοντέλο.
Αξιολογήστε ένα εκπαιδευμένο μοντέλο
Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, μπορείτε να δείτε τις λεπτομέρειες του μοντέλου επιλέγοντας Δείτε μοντέλα στη σελίδα του έργου και, στη συνέχεια, επιλέξτε το όνομα του μοντέλου.
Εκτός από γενικές πληροφορίες όπως το όνομα, η κατάσταση και ο χρόνος εκπαίδευσης, η σελίδα μοντέλου συνοψίζει δεδομένα απόδοσης μοντέλου, όπως τον αριθμό των συμβάντων με ετικέτα που εντοπίστηκαν (υποθέτοντας ότι παρείχατε ετικέτες), τον μέσο χρόνο προειδοποίησης και τον αριθμό των ανώμαλων συμβάντων εξοπλισμού που εντοπίστηκαν εκτός το εύρος της ετικέτας. Το παρακάτω στιγμιότυπο οθόνης δείχνει ένα παράδειγμα. Για καλύτερη ορατότητα, τα συμβάντα που ανιχνεύονται οπτικοποιούνται (οι κόκκινες γραμμές στο επάνω μέρος της κορδέλας) μαζί με τα συμβάντα με ετικέτα (οι μπλε γραμμές στο κάτω μέρος της κορδέλας).
Μπορείτε να επιλέξετε ανιχνευμένα συμβάντα επιλέγοντας τις κόκκινες περιοχές που αντιπροσωπεύουν ανωμαλίες στην προβολή γραμμής χρόνου για να λάβετε πρόσθετες πληροφορίες. Αυτό περιλαμβάνει:
- Ώρες έναρξης και λήξης της εκδήλωσης μαζί με τη διάρκειά της.
- Ένα ραβδόγραμμα με τους αισθητήρες που το μοντέλο πιστεύει ότι είναι πιο σχετικοί με το γιατί συνέβη μια ανωμαλία. Οι ποσοστιαίες βαθμολογίες αντιπροσωπεύουν την υπολογιζόμενη συνολική συνεισφορά.
Αυτές οι πληροφορίες σάς επιτρέπουν να συνεργαστείτε με τους μηχανικούς διεργασιών ή αξιοπιστίας σας για να κάνετε περαιτέρω αξιολόγηση των βασικών αιτιών των συμβάντων και τελικά να βελτιστοποιήσετε τις δραστηριότητες συντήρησης, να μειώσετε τους απρογραμμάτιστους χρόνους διακοπής λειτουργίας και να εντοπίσετε τις μη βέλτιστες συνθήκες λειτουργίας.
Για την υποστήριξη της προγνωστικής συντήρησης με πληροφορίες σε πραγματικό χρόνο (συμπεράσματα), το Lookout for Equipment υποστηρίζει τη ζωντανή αξιολόγηση διαδικτυακών δεδομένων μέσω χρονοδιαγραμμάτων συμπερασμάτων. Αυτό απαιτεί τα δεδομένα αισθητήρα να ανεβαίνουν περιοδικά στο Amazon S3 και, στη συνέχεια, το Lookout for Equipment εκτελεί συμπεράσματα για τα δεδομένα με το εκπαιδευμένο μοντέλο, παρέχοντας βαθμολόγηση ανωμαλιών σε πραγματικό χρόνο. Τα αποτελέσματα συμπερασμάτων, συμπεριλαμβανομένου ενός ιστορικού ανώμαλων συμβάντων που έχουν εντοπιστεί, μπορούν να προβληθούν στην κονσόλα Lookout for Equipment.
Τα αποτελέσματα εγγράφονται επίσης σε αρχεία στο Amazon S3, επιτρέποντας την ενσωμάτωση με άλλα συστήματα, για παράδειγμα ένα ηλεκτρονικό σύστημα διαχείρισης συντήρησης (CMMS), ή για την ενημέρωση του προσωπικού λειτουργίας και συντήρησης σε πραγματικό χρόνο.
Καθώς αυξάνετε την υιοθέτηση του Lookout for Equipment, θα χρειαστεί να διαχειριστείτε μεγαλύτερο αριθμό μοντέλων και χρονοδιαγραμμάτων συμπερασμάτων. Για να διευκολυνθεί αυτή η διαδικασία, το Προγράμματα συμπερασμάτων Η σελίδα παραθέτει όλους τους προγραμματιστές που έχουν διαμορφωθεί αυτήν τη στιγμή για ένα έργο σε μία προβολή.
εκκαθάριση
Όταν ολοκληρώσετε την αξιολόγηση του Lookout for Equipment, συνιστούμε να καθαρίσετε τυχόν πόρους. Μπορείτε να διαγράψετε το έργο Lookout for Equipment μαζί με το σύνολο δεδομένων και τυχόν μοντέλα που δημιουργήθηκαν επιλέγοντας το έργο, επιλέγοντας Διαγραφήκαι επιβεβαίωση της ενέργειας.
Χαρακτηριστικά
Σε αυτήν την ανάρτηση, ακολουθήσαμε τα βήματα της απορρόφησης ενός συνόλου δεδομένων στο Lookout for Equipment, της εκπαίδευσης ενός μοντέλου σε αυτό και της αξιολόγησης της απόδοσής του για να κατανοήσουμε την αξία που μπορεί να αποκαλύψει για μεμονωμένα στοιχεία. Συγκεκριμένα, διερευνήσαμε πώς το Lookout for Equipment μπορεί να ενημερώσει τις διαδικασίες πρόβλεψης συντήρησης που έχουν ως αποτέλεσμα μειωμένο απρογραμμάτιστο χρόνο διακοπής λειτουργίας και υψηλότερο OEE.
Εάν ακολουθήσατε μαζί με τα δικά σας δεδομένα και είστε ενθουσιασμένοι με τις προοπτικές χρήσης του Lookout for Equipment, το επόμενο βήμα είναι να ξεκινήσετε ένα πιλοτικό έργο, με την υποστήριξη του οργανισμού πληροφορικής σας, των βασικών συνεργατών σας ή των ομάδων AWS Professional Services. Αυτό το πιλοτικό πρόγραμμα θα πρέπει να στοχεύει σε περιορισμένο αριθμό βιομηχανικού εξοπλισμού και στη συνέχεια να κλιμακωθεί ώστε να συμπεριλάβει τελικά όλα τα περιουσιακά στοιχεία στο πεδίο εφαρμογής της προγνωστικής συντήρησης.
Σχετικά με τους συγγραφείς
Johann Füchsl είναι αρχιτέκτονας λύσεων με τις υπηρεσίες Web της Amazon. Καθοδηγεί εταιρικούς πελάτες στον κατασκευαστικό κλάδο στην εφαρμογή περιπτώσεων χρήσης AI/ML, στο σχεδιασμό σύγχρονων αρχιτεκτονικών δεδομένων και στη δημιουργία λύσεων εγγενών στο cloud που προσφέρουν απτή επιχειρηματική αξία. Ο Johann έχει ένα υπόβαθρο στα μαθηματικά και την ποσοτική μοντελοποίηση, το οποίο συνδυάζει με 10 χρόνια εμπειρίας στην πληροφορική. Εκτός δουλειάς, του αρέσει να περνά χρόνο με την οικογένειά του και να βρίσκεται στη φύση.
Michaël Hoarau είναι ένας βιομηχανικός AI/ML Specialist Solution Architect στο AWS που εναλλάσσεται μεταξύ επιστήμονα δεδομένων και αρχιτέκτονα μηχανικής μάθησης, ανάλογα με τη στιγμή. Είναι παθιασμένος να φέρει τη δύναμη του AI/ML στα καταστήματα των βιομηχανικών πελατών του και έχει εργαστεί σε ένα ευρύ φάσμα περιπτώσεων χρήσης ML, που κυμαίνονται από τον εντοπισμό ανωμαλιών έως την προγνωστική ποιότητα προϊόντος ή τη βελτιστοποίηση κατασκευής. Όταν δεν βοηθά τους πελάτες να αναπτύξουν τις επόμενες καλύτερες εμπειρίες μηχανικής μάθησης, του αρέσει να παρατηρεί τα αστέρια, να ταξιδεύει ή να παίζει πιάνο.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/