Il supporto per l’integrazione di Microsoft Azure Machine Learning si espande con l'ultima proposta di Seeq Corporation. Tramite il componente aggiuntivo Seeq Azure Add-on le industrie di processo potrano distribuire modelli di apprendimento automatico di Azure Machine Learning come Add-on di Seeq Workbench. In questo modo, soluzioni sviluppate dai reparti IT e algoritmi di machine learning e possono essere rese operative, e gli operatori che si occupano di automazione di processo possono migliorare le loro scelte per l'ottimizzazione della produzione, degli indicatori di sostenibilità e i risultati aziendali.
Algoritmi accessibili da una varietà di fonti
La strategia di Seeq di favorire le innovazioni nel campo del machine learning consente agli utenti finale di accedere ad algoritmi da una varietà di fonti, tra cui open source, terze parti e interni addetti allo studio dei dati.
Integrazione per lo sviluppo e la pubblicazione
Con la nuova integrazione di Azure Machine Learning, i team addetti allo studio dei dati possono sviluppare algoritmi utilizzando Azure Machine Learning Studio e quindi pubblicarli utilizzando i componenti aggiuntivi di Seeq Azure, disponibili da poco su GitHub.
Interazioni tra operatori
Utilizzando Seeq Workbench, gli operatori dell’impianto in prima linea sul campo possono accedere facilmente a questi modelli, convalidarli sovrapponendo i dati operativi ai risultati del modello, quasi in tempo reale, e fornire feedback al team addetto allo studio dei dati. Ciò consente favorire le interazioni tra gli operatori dei settori IT e OT, accelerando il tempo di comprensione per entrambi i gruppi,in un ciclo virtuoso di miglioramento continuo lungo l’intero ciclo di vita dei progetti di machine learning.
Analisi dei modelli per una maggiore affidabilità
Oltre a un maggiore accesso ai modelli di apprendimento automatico attraverso questa integrazione, le applicazioni self-service di Seeq consentono ai tecnici in campo di eseguire analisi ad hoc e di utilizzare i modelli stessi, piuttosto che dover impegnare un membro del gruppo di Data Science per il supporto. Man mano che i modelli producono risultati, Seeq consente agli utenti di impiegarli in tutta l’organizzazione per migliorare l’affidabilità delle risorse, il monitoraggio della produzione, l’ottimizzazione e la sostenibilità.
