無(wú)需數據科學(xué)專(zhuān)業(yè)知識即可輕松使用機器學(xué)習

希望明日保持盈利的公司，必須在今日設定方向。數字化是關(guān)鍵，因為基于數據的服務(wù)決定了未來(lái)的業(yè)務(wù)成功。這使得在工業(yè)生產(chǎn)中使用人工智能（AI）成為當今機器和工廠(chǎng)面臨的主要挑戰之一。從檢測異常，到分類(lèi)和預測磨損或損壞，再到質(zhì)量控制，人工智能解決方案已用于許多領(lǐng)域。

人工智能從何用起？借助自動(dòng)化機器學(xué)習（AML）工具，魏德米勒為用戶(hù)提供了合適的軟件。自動(dòng)化機器學(xué)習工具使行業(yè)專(zhuān)家可以根據他們的應用知識獨立創(chuàng )建機器學(xué)習（ML）模型。如此一來(lái)，他們就可以將其對機器和工廠(chǎng)業(yè)務(wù)的專(zhuān)業(yè)知識應用到軟件工具中。在建模過(guò)程結束時(shí)，專(zhuān)家將獲得適合其應用的模型。

復雜的建模過(guò)程

如今，數據科學(xué)家可以分析數據并創(chuàng )建機器學(xué)習模型。這個(gè)過(guò)程主要涉及手動(dòng)操作并具有探索性。這不僅創(chuàng )建了實(shí)際的模型，而且還創(chuàng )建了所謂的機器學(xué)習流程，其中，數據經(jīng)過(guò)許多處理步驟，最后顯示模型并輸出結果。創(chuàng )建模型和機器學(xué)習流程的過(guò)程非常復雜?？偣灿卸噙_1040種可能的組合來(lái)構建機器學(xué)習解決方案。ML-Pipeline的具體設計在每種用例中都是獨一無(wú)二的。當然，數據科學(xué)家可以使用一些軟件工具來(lái)支持Pipeline的基本結構，從而簡(jiǎn)化工作。但是，機器學(xué)習解決方案的大多數參數必須以創(chuàng )造性的方式手動(dòng)確定，這是一項艱巨的工作。在Pipeline建模和構建過(guò)程中，數據科學(xué)家不斷與機器和過(guò)程專(zhuān)家討論數據中所體現的關(guān)系。共同解釋結果，從而最終確定模型參數并構建Pipeline。因此，行業(yè)專(zhuān)家的應用知識對于創(chuàng )造一個(gè)成功的機器學(xué)習解決方案而言至關(guān)重要。

使機器學(xué)習的使用民主化

魏德米勒的愿景是使機器學(xué)習的應用民主化，即，使每一位行業(yè)專(zhuān)家都能獲得機器學(xué)習知識，并且確保機器學(xué)習在工業(yè)中的應用不為數據科學(xué)家數量所限。如此便可充分利用行業(yè)專(zhuān)家的現有知識。因此，需要標準化、簡(jiǎn)化機器學(xué)習在工業(yè)中的應用，以使行業(yè)專(zhuān)家無(wú)需數據科學(xué)領(lǐng)域的專(zhuān)業(yè)知識即可獨立創(chuàng )建機器學(xué)習解決方案。此外，還需要最大化地實(shí)現建模自動(dòng)化，創(chuàng )建ML-Pipeline，以加快機器學(xué)習解決方案的創(chuàng )建?？梢杂谩白詣?dòng)化機器學(xué)習”這一術(shù)語(yǔ)來(lái)描述上述流程背后的技術(shù)方法。盡管“自動(dòng)化機器學(xué)習”確實(shí)是指完全自動(dòng)化地創(chuàng )建機器學(xué)習解決方案，但行業(yè)專(zhuān)家應積極地將其知識與自動(dòng)化機器學(xué)習過(guò)程聯(lián)系起來(lái)，以創(chuàng )建出色的機器學(xué)習解決方案。

指導分析

借助自動(dòng)化機器學(xué)習軟件，行業(yè)專(zhuān)家可以創(chuàng )建機器學(xué)習模型。自動(dòng)化機器學(xué)習軟件指導用戶(hù)完成模型開(kāi)發(fā)過(guò)程，這就是為什么需要指導分析的原因。專(zhuān)家專(zhuān)注于研究機器和過(guò)程行為知識，并將這些知識鏈接到后臺運行的機器學(xué)習過(guò)程。這意味著(zhù)自動(dòng)化機器學(xué)習軟件巧妙地查詢(xún)現有知識并將其與后臺運行的機器學(xué)習過(guò)程結合起來(lái)，從而將現有的和有價(jià)值的應用知識傳輸到可靠的機器學(xué)習應用中并存檔。

行業(yè)專(zhuān)家獨立開(kāi)發(fā)機器學(xué)習解決方案

自動(dòng)化機器學(xué)習解決方案本質(zhì)上由兩個(gè)模塊組成，這些模塊用于模型的創(chuàng )建、執行和優(yōu)化，以及在模型整個(gè)生命周期中對其進(jìn)行管理。

使用建模模塊，行業(yè)專(zhuān)家可以基于訓練數據及其在異常檢測、分類(lèi)和故障預測方面的應用知識，創(chuàng )建機器學(xué)習解決方案。

僅基于“良好數據”（即所謂的“無(wú)監督”培訓）的異常檢測是目前較為先進(jìn)的方法。這是一種根據歷史數據學(xué)習正常機器行為的典型數據模式的算法。在運行時(shí)，可以識別出實(shí)際情況與典型數據模式之間的偏差。檢測到的異?？赡苁怯捎谛实拖?、輕微故障或重大錯誤。借助這種方法，系統甚至可以在發(fā)生完全未知的錯誤情況時(shí)立即檢測到它們。建模過(guò)程的結果是一個(gè)完整配置的ML-Pipeline，包括模型。

此外，模型構建器用于在運行期間優(yōu)化機器學(xué)習模型。只需輕擊幾下鼠標，就可以將訓練數據中未包含的新事件（例如某些運行情況，機器運行時(shí)發(fā)生的異?；蝈e誤）包含在模型中。這使得模型可以在其生命周期中不斷改進(jìn)。

自動(dòng)化機器學(xué)習模型的第二個(gè)模塊是執行環(huán)境，在云短或現場(chǎng)應用中運行機器學(xué)習模型。自動(dòng)化機器學(xué)習工作室不依賴(lài)于某個(gè)平臺，而是根據要執行的模型數量自動(dòng)調整。另外，執行環(huán)境以易于理解的方式呈現模型結果，便于用戶(hù)采取具體行動(dòng)，例如避免錯誤。由于模型在生命周期中不斷改進(jìn)，因此創(chuàng )建了新的模型版本，所以模型管理是執行環(huán)境的另一個(gè)組成部分。其中，模型管理負責模型版本控制，模型恢復和模型監控。

應用知識具有決定性意義

在自動(dòng)建模中，首先根據應用知識以及用于分析任務(wù)的訓練數據的結構，自動(dòng)選擇合適的機器學(xué)習過(guò)程。這樣，最多為原始數據中的每個(gè)數據磁道生成300個(gè)特性，從而覆蓋了相對較大的解決方案空間。然后，訓練具有不同特性組合的替代機器學(xué)習模型并優(yōu)化其超參數。最后，驗證模型并將其集成到并行生成的ML-Pipeline中。所有這些步驟都將完全自動(dòng)運行。根據復雜程度，計算模型可能需要幾分鐘或幾小時(shí)。只需數分鐘就可使用第一個(gè)模型，以便用戶(hù)可以及時(shí)獲得有關(guān)模型質(zhì)量的反饋，繼而決定是繼續還是終止模型構建過(guò)程。

對于成功模型構建而言至關(guān)重要的是行業(yè)專(zhuān)家的應用知識，可利用這些知識來(lái)改進(jìn)訓練數據集?；跈C器和過(guò)程知識，行業(yè)專(zhuān)家可以標記數據，例如，在數據中標記期望的和不期望的機器行為。根據相同的原理，標記某些過(guò)程或生產(chǎn)步驟，比如典型的機器啟動(dòng)行為。用戶(hù)還可以創(chuàng )建自己的特性，這些特性不包含在原始數據中，但仍有助于評估制造過(guò)程。

含有豐富應用知識的數據集為后續自動(dòng)生成機器學(xué)習模型提供輸入變量。這樣得出的機器學(xué)習解決方案與數據科學(xué)家手動(dòng)創(chuàng )建的解決方案相當。在建模過(guò)程結束時(shí)，用戶(hù)根據某些標準（例如模型質(zhì)量或執行時(shí)間）選擇最適合其應用的模型?？梢詫⑵珢?ài)的模型導出并保存或集成到執行環(huán)境中。

重點(diǎn)在于用戶(hù)的應用專(zhuān)有技術(shù)

用戶(hù)的應用專(zhuān)有技術(shù)對于專(zhuān)注于機器學(xué)習應用的行業(yè)做出了巨大貢獻，這對于歐洲經(jīng)濟的成功至關(guān)重要。來(lái)自第一批機器制造商和操作員試點(diǎn)用戶(hù)的反饋表明，自動(dòng)化機器學(xué)習工具對用戶(hù)友好，并且在功能和用戶(hù)指導方面最能滿(mǎn)足用戶(hù)的需求。

魏德米勒自動(dòng)化機器學(xué)習工具：使用人工智能（AI）輔助創(chuàng )建模型。

無(wú)需數據科學(xué)領(lǐng)域的專(zhuān)業(yè)知識即可輕松應用機器學(xué)習——自動(dòng)建模

易于操作，模型持續優(yōu)化——該軟件工具可指導用戶(hù)完成模型開(kāi)發(fā)和優(yōu)化過(guò)程

本頁(yè)面信息涉及廣告內容