智能流程、解决方案和策略
管理传感器性能已成为制造商的必备技能。物联网技术的出现和迅速采用，使智能制造系统成为可能，创造了两种情况。智能系统立即提供近实时系统监控并产生新的预测问题。制造商现在不仅必须预测供应链问题和库存，还必须根据现成的传感器数据预测设备状态。
人工智能和机器学习 (ML) 的使用提供了解决这一挑战的有效方法但它有自己的开发和实施问题。
创建利用现有传感器数据预测设备故障的 AI/ML 算法的第一个挑战归结为资源限制。大多数制造商拥有大量的一件事是传感器数据。另一方面，通常缺乏的是具备利用所有数据所需技能和专业知识的数据科学家。的数据并将其转换为 ML 算法。
但解决方案就在眼前：AutoML 2.0 技术可以提供全周期自动化替代手动 AI/ML 开发，使没有数据科学团队的制造商能够完全利用传感器数据。
借助 AutoML 2.0，公司可以利用制造商掌握的大量数据，在几天内创建 ML/AI 算法——所有这些都使用现有的开发资源，例如商业智能和/ 或数据专家。
找到合适的 AutoML 解决方案可能是一个棘手的问题，因为供应商和选项的数量非常多，而且常常令人困惑。数据科学过程——人工智能和机器学习的支柱——有多个步骤。最耗时的步骤之一就是所谓的特征工程。
在特征工程过程中，数据科学家和领域专家分析可用数据并确定如何组合和利用这些信息来创建可传输的最佳特征在 ML 算法中。在选择 AutoML 解决方案来帮助自动化此过程时，制造商应关注产品为特征工程提供的自动化程度。所需的代码越少，开发生命周期就越快。
但是开发 AI/ML 算法只能解决部分问题。部署使用 AutoML 系统开发的 AI/ML 算法的常见策略涉及使用 API。通过基于 API 的 ML 算法交付，生产系统使用 AutoML 系统的 API 来“调用”AutoML 平台，并利用针对生产数据开发的 ML 算法。这使得在不影响生产系统的情况下重新训练 ML 算法变得容易，并且在处理依赖传感器数据的智能制造操作时引入了足够多的延迟，使其无法接受。
一种新方法是部署使用容器方法的最终 ML 算法。使用容器化模型，制造商可以部署 ML a提供毫秒响应时间的算法，同时仍然提供生产数据和 AutoML 平台之间的分离。基于容器的部署实现了近乎实时的部署，仍然可以在不中断生产系统的情况下进行再培训和管理。
制造商依靠传感器和传感器分析来维持高效和自动化的生产环境。添加 ML 功能以预测故障可以节省大量维护成本，但通常难以部署。 AutoML 2.0 等 AutoML 技术的进步和基于容器的模型部署的开始可以提供可行的解决方案来应对这些挑战。
