機(jī)器和生產(chǎn)工廠不斷產(chǎn)生數(shù)據(jù)。將這些數(shù)據(jù)成功轉(zhuǎn)化為創(chuàng)新的公司獲得了決定性的競(jìng)爭(zhēng)優(yōu)勢(shì)。借助易于使用的軟件，魏德米勒公司正在使人工智能方法應(yīng)用于機(jī)器生產(chǎn)商和生產(chǎn)型公司。

為了分析機(jī)器數(shù)據(jù)和流程數(shù)據(jù)，工業(yè)分析使用了能夠檢測(cè)異常情況甚至能夠預(yù)測(cè)未來(lái)機(jī)器行為的復(fù)雜模型。通過(guò)使用人工智能（AI）方法和機(jī)器學(xué)習(xí)（ML），用源自原始數(shù)據(jù)的特征來(lái)揭示以前未知的測(cè)量值之間的關(guān)系。

需要具備綜合專門知識(shí)

幾乎在所有公司都能獲得必要信息。在開(kāi)發(fā)有意義的分析模型時(shí)，尤其是中型公司通常還要依賴外部數(shù)據(jù)科學(xué)家的支持。魏德米勒公司開(kāi)發(fā)了一個(gè)突破性的解決方案，使中型公司不再需要數(shù)據(jù)科學(xué)家。在與最終用戶密切合作的過(guò)程中，數(shù)據(jù)專家識(shí)別測(cè)量值中的相關(guān)性并訓(xùn)練初始模型。初始模型應(yīng)用成功后，反復(fù)向初始模型輸入新數(shù)據(jù)，并在機(jī)器的整個(gè)生命周期中進(jìn)一步開(kāi)發(fā)模型。隨著時(shí)間的推移，這將提高信息質(zhì)量。

學(xué)習(xí)機(jī)器學(xué)習(xí)

許多機(jī)器生產(chǎn)商和生產(chǎn)型公司還不能獨(dú)立使用現(xiàn)有的機(jī)器學(xué)習(xí)工具，因?yàn)檫@些工具的操作已經(jīng)針對(duì)分析專家的數(shù)據(jù)驅(qū)動(dòng)活動(dòng)進(jìn)行了優(yōu)化。公司可以用巨額資金培訓(xùn)現(xiàn)有員工，也可以自己雇傭一名數(shù)據(jù)科學(xué)家。這就產(chǎn)生了一個(gè)抑制閾值，放慢了人工智能在工業(yè)中的應(yīng)用速度。

另一個(gè)方法是開(kāi)發(fā)易于使用的軟件解決方案，即使用戶沒(méi)有經(jīng)過(guò)任何統(tǒng)計(jì)培訓(xùn)也能夠理解并生成分析模型。魏德米勒公司的工業(yè)分析業(yè)務(wù)部門已經(jīng)通過(guò)自動(dòng)化機(jī)器學(xué)習(xí)軟件將這一想法付諸實(shí)踐。該款應(yīng)用程序的名稱意味著模型大部分是自動(dòng)開(kāi)發(fā)的。

“類似的應(yīng)用程序目前在金融技術(shù)、銀行業(yè)和營(yíng)銷領(lǐng)域得到廣泛使用。但是，現(xiàn)有的解決方案不適用于機(jī)器和工廠，因?yàn)樗鼈儾恢С肿詣?dòng)化行業(yè)的相關(guān)數(shù)據(jù)類型。這些解決方案總是需要一個(gè)理想的數(shù)據(jù)庫(kù)，”工業(yè)分析業(yè)務(wù)部門產(chǎn)品經(jīng)理CarlosPaizGatica博士解釋道?！按送?，這些解決方案不能整合用戶的領(lǐng)域知識(shí)，而這對(duì)于工業(yè)應(yīng)用程序至關(guān)重要?！?/p>

對(duì)于自動(dòng)化機(jī)器學(xué)習(xí)軟件，魏德米勒公司的分析專家將領(lǐng)域?qū)＜业臄?shù)據(jù)信息與算法相結(jié)合，自動(dòng)生成合適的模型。以下工作步驟描述了模型生成過(guò)程（以異常檢測(cè)為例）：

1.選擇訓(xùn)練數(shù)據(jù)

領(lǐng)域?qū)＜覜Q定應(yīng)該使用哪些數(shù)據(jù)集來(lái)學(xué)習(xí)機(jī)器或工廠的正常行為。為此，首先生成原始數(shù)據(jù)概述，用來(lái)支持用戶評(píng)估數(shù)據(jù)的信息內(nèi)容。測(cè)量值的準(zhǔn)備過(guò)程完全自動(dòng)進(jìn)行。

2.特征工程

如果原始數(shù)據(jù)不夠，可以在原始數(shù)據(jù)的基礎(chǔ)上生成附加信息。用戶可以使用其領(lǐng)域知識(shí)來(lái)創(chuàng)建新特征。例如，這些特征可以描述溫度變化的過(guò)程，而不僅顯示個(gè)別狀況。使用這些特征比使用原始數(shù)據(jù)通常能夠?qū)C(jī)器狀況進(jìn)行更好的評(píng)估。

3.標(biāo)記機(jī)器行為

用戶用標(biāo)簽標(biāo)記數(shù)據(jù)中存在的正常行為區(qū)域（綠色）或不希望發(fā)生的行為區(qū)域（紅色）。這樣能夠使用戶用其領(lǐng)域知識(shí)增加訓(xùn)練數(shù)據(jù)的信息內(nèi)容。輔助系統(tǒng)通過(guò)直接突出顯示數(shù)據(jù)集中的類似情況，支持標(biāo)記過(guò)程。

4.模型訓(xùn)練

標(biāo)記過(guò)的數(shù)據(jù)集被轉(zhuǎn)換成模型，并用各種機(jī)器學(xué)習(xí)方法進(jìn)行訓(xùn)練。這個(gè)全自動(dòng)化的過(guò)程產(chǎn)生了一個(gè)替代模型列表，該列表可以提供與結(jié)果質(zhì)量、執(zhí)行時(shí)間和訓(xùn)練持續(xù)時(shí)間相關(guān)的信息?！懂惓７?jǐn)?shù)圖》（AnomalyScorePlot）直接顯示模型的結(jié)果，專家可以直接比較模型性能。如果未能實(shí)現(xiàn)所需的模型性能，用戶可以再次編輯模型的特征和標(biāo)簽。然后，可以將模型直接轉(zhuǎn)移到目標(biāo)系統(tǒng)的架構(gòu)中。

擴(kuò)展人工智能應(yīng)用程序

Paiz說(shuō)過(guò)：“有了自動(dòng)化機(jī)器學(xué)習(xí)軟件，機(jī)器生產(chǎn)商和生產(chǎn)型企業(yè)不必成為數(shù)據(jù)專家，就可以獨(dú)立開(kāi)發(fā)人工智能和機(jī)器學(xué)習(xí)并從中獲益”?！巴ㄓ玫膽?yīng)用程序支持用戶生成初始模型并進(jìn)一步開(kāi)發(fā)模型。這樣，公司不再依賴數(shù)據(jù)科學(xué)家，也不必與外部合作伙伴分享其工藝流程和機(jī)器知識(shí)?！?/p>