位置:首页 >  综合资讯 > 正文内容

公司必须采用人工智能技术才能更上一层楼

更新时间:2021-07-20 18:26:54

这些天有很多关于人工智能的嗡嗡声,新闻中经常提到深度自然网络 (DNN) 或卷积神经网络 (CNN) 等技术。虽然这些技术非常适用于图像分类和语音识别应用,但它们在作为趋势线预测、异常检测和预测性维护基础的时间序列数据上效果不佳。传统的被动式和固定时间表的维护和质量控制方法不再产生重大改进,公司必须采用人工智能技术才能更上一层楼。大多数公司缺乏解决这个问题所急需的资源和专业知识,因此在消防活动中往往处于次要地位。这就是Tangent 工作 的地方真的很闪耀。该公司的解决方案可以分析来自设备和传感器的历史数据,以发现异常情况和因果关系,从而优化维护周期并避免计划外停机。

预测模型 

Tangent Works 由一组数据科学家和数学家于 2014 年创立,他们相信预测建模在优化运营和降低成本方面的力量,但发现现有方法过于复杂,无法广泛采用。该公司专注于开发一种技术,该技术可自动创建用于预测和异常检测的预测模型。该公司的 InstantML 技术可以在几秒钟内根据目标和预测器系列创建一个模型,只需一次通过数据。通过 RTIInstantML(实时即时 ML),TangentWorks 更进了一步。模型生成过程的速度使他们能够一次性进行建模/预测。构建和完善准确的预测模型是一项费力的工作,

TIM,Tangent Information Modeler,是一种预测建模引擎,它通过分析时间序列数据并在其检测到的模式上生成准确的模型来自动执行预测和异常检测过程。在短短几分钟内,TIM 创建了一个可用于验证和部署的预测模型。它使模型生成过程自动化,因此无需 AI 专家即可创建和更新预测模型。它自动为每个资产、客户或客户组创建预测模型,可以准确预测未来几天/几周/几个月的消费。它为交易者提供准确的预测模型和对价格变动动态的理解。

海量计算资源的使用 

人们普遍认识到对自动化机器学习解决方案的需求。大玩家必须构建 Auto ML 功能。他们通过使用大量计算资源来计算许多潜在模型,然后选择性能最好的模型来做到这一点。此策略部分起作用。它减少了工程时间,但它仍然是一项工程任务。对于需要大量单个模型的大规模消费意味着区域,所需的计算资源和工程时间构成了负担。Tangent 对这个问题采用了另一种数学方法。它使公司从头开始构建特征和模型,从而以有限的计算资源快速生成模型。这允许大规模自动时间序列预测和异常检测。

整合尖端能力 

Tangent 的目标是补充现有的数据科学平台,使它们更好、更快、更便宜,并对时间序列数据产生更大的影响。为了实现这一目标,该公司与 Microsoft、Alertyx 等组织合作,整合其尖端功能,以便其客户可以从公司的研究中受益。多年的研究创造了基于各种技术混合的 TIM 引擎,包括信息标准/几何。

许多公司提供 AUTOML 功能来支持模型生成工程过程。这些工具/平台允许您构建、调整、比较模型、测试模型、将所选模型作为 API 部署到生产中。AUTOML 向前迈进了一步,但它仍然是耗时的专业知识密集型,因此可扩展性较差。

敏锐而有远见的领导者 

Henk De Metsenaere是该公司的联合创始人。他的工程学背景与经济学学位相辅相成。这使他从事技术商业工作。在他职业生涯的大部分时间里,他担任全球软件公司 SAP 的区域销售和营销总监。在那个角色中,他了解到技术和有时有趣的概念只有在被更多的观众消化时才会被采用。他觉得围绕机器学习的炒作与想要实施这些想法的公司的现实之间存在差距。

对于 Henk 来说,机器学习的未来完全是在业务和运营的许多领域进行大规模扩展。正如第一辆汽车是一辆一辆地生产,然后在自动化线上生产以满足大众出行需求一样,Henk 认为机器学习也正在发生同样的情况。专家们最初的所有反对意见、对工作的恐惧、关于缺乏质量的谣言都在那里。同样的事情也发生在汽车行业。’但正如现代汽车比以往任何时候都更好,在该行业工作的工程师比以往任何时候都多,当前 ML 市场的反对意见也并非真实存在。只是规模会发生变化。质量就在那里,人们将继续在这个行业工作,只是他们所做的会有所不同,但会允许大量消费这些美妙的想法。”-亨克断言

执行预测性和规范性分析 

机器学习并不新鲜。许多概念是在上世纪 40-50 年代发展起来的。在 1970 年代的 AI 寒冬之后,反向传播作为一种有效训练神经网络的机制产生了新的案例。机器学习现在是人工智能的一个子集,它允许计算机算法从数据和信息中学习并执行预测性和规范性分析。可以使用多种建模技术。算法/模型需要仔细选择要使用的数据以及适当的特征工程。这仍然使它成为一项艰巨的任务。

机器学习的未来 

机器学习的未来将取决于公司可以扩展可用资源的程度,以便可以更轻松地实施概念并获得更多结果。最初的创始人希望简化机器学习 (ML) 模型在商业环境中的使用。该公司将 ML 从专家角带到业务用户的时间序列上下文中。这导致在运营业务场景中更有前途的 ML 想法的采用率更高。该公司发现时间序列建模非常复杂,但如果解决它可以为各种挑战增加很多价值。结果是 TIM,Tangent Information Modeller – 一种建模引擎,将昂贵的工程数小时和数天减少到几秒钟的计算时间。

版权声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益, 请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。