Machine Learning automatizado: Quando o algoritmo toca duas vezes!

INFORMAĂ‡ĂƒO TÉCNICO-COMERCIAL

Machine Learning automatizado: Quando o algoritmo toca duas vezes!

Ferramenta industrial de machine learning automatizada da WeidmĂźller, para engenharia de mĂĄquinas e fĂĄbricas. A impulsionar de forma independente o desenvolvimento do modelo de anĂĄlise sem precisar ser um cientista de dados. A impulsionar a InteligĂŞncia eĹłĆ‹ÄœÄ€Ă?ÄœÂąÄŹ Ĺ FeĹĄ ĂĽÄľ ĂĽÄšÄ?ĂĽÄšÄ˜ÂąĹłÄœÂą Úü ÄľÂ´Ĺ§ĆšÄœÄšÂąĹ¸ ĂĽ ÄœÄšĹ¸Ć‹ÂąÄŹÂąĂ“Ĺ?üŸţ

kĆ?Ĺ­ĆŁĂĽĆ?ÂşĆ?ŤŚĞġüĞŚ¹Ć?ƽĞŞƒ¹Ć? pode soar como tecnologia avançada, oferece vantagens concretas para a indĂşstria inteligente. a´ŭƣĞĝ¹ŞĆ?ĂĽĆ?ß´ÆŚĞĂ?ÂąĹžĂ˜Ć? bem como processos de produção, geram dados continuamente. As üġŤŚü޹ŞĆ?Ĺ­ĆŁĂĽĆ?Ă?ŇĝŞüÄ?ƣüġĆ? criar valor acrescentado a partir desses dados terĂŁo sucesso no futuro.

Figura 1.

A FORMA FĂ CIL DE MACHINE LEARNING AUTOMATIZADA

H

 N EPKYRW ERSW UYI EW ZMWÀIW de engenheiros e produtores de fåbricas têm sido inspiradas pelas TSWWMFMPMHEHIW HE .RXIPMK´RGME &VXMǝGMEP .& & recolha e o aperfeiçoamento de dados perQMXIQ YQE QEMSV IǝGM´RGME I TVSHYXMZMHEde; possibilitado por algoritmos de machine learning ETVIRHM^EKIQ HI QUYMRE 4 UYI à primeira vista pode soar como tecnologia avançada, oferece vantagens concretas para E MRHÅWXVME MRXIPMKIRXI 2UYMREW I JFVMGEW bem como processos de produção, geram HEHSW GSRXMRYEQIRXI &W IQTVIWEW UYI GSRseguem criar valor acrescentado a partir desses dados terão sucesso no futuro. Acima de tudo, o valor acrescentado pode ser alcançado na årea de anålise de dados, como a maRYXIR¹­S TVIHMXMZE MQTPMǝGERHS E QUYMRE WMREPM^E EYXSQEXMGEQIRXI UYERHS ³ UYI YQE

92

MANUTENĂ‡ĂƒO 146/147

TI¹E WYTPIRXI WIV RIGIWWVME .WXS WMKRMǝGE UYI RS JYXYVS SW JEFVMGERXIW HI QUYMREW poderão oferecer novos serviços baseados em dados e, assim, estabelecer novos modelos de negócios. As empresas de produção TSHIQ EYQIRXEV E UYEPMHEHI HSW TVSHYXSW I reduzir custos.

MĂŠtodos de IA e, em particular, machine learning (ML), sĂŁo ferramentas utilizadas TEVE EREPMWEV HEHSW HI QÂŤUYMRE *PIW XSVREQ TSWW¸ZIP PMKEV HEHSW MRI\TPSVEHSW anteriormente e identificar relaçþes descoRLIGMHEW 2EW S UYI IRZSPZI I\EXEQIRXI E GM´RGME HI HEHSW$ * S UYI Âł UYI “machine learning automatizadaĆš WMKRMÇťGE VIEPQIRXI$ O conceito da WeidmĂźller envolve o uso simples de IA atravĂŠs de software de ML auXSQEXM^EHS TEVE IRKIRLEVME HI QÂŤUYMREW e instalaçþes. Para este efeito, a WeidmĂźlPIV IWXERHEVHM^SY I WMQTPMÇťGSY S YWS HI 21 TEVE ETPMGE¹ÀIW MRHYWXVMEMW HI XEP JSVQE UYI

especialistas em domĂ­nio sem conhecimento especializado de ciĂŞncia de dados podem criar soluçþes de ML. A ferramenta de software orienta o utilizador atravĂŠs do processo de desenvolvimento do modelo, razĂŁo pela UYEP E ;IMHQÇPPIV XEQFÂłQ WI VIJIVI E MWXS como “anĂĄlise guiadaâ€?. Os especialistas em QÂŤUYMREW I TVSGIWWSW TSHIQ JEGMPQIRXI GVMEV QSHMÇťGEV I I\IGYXEV QSHIPSW HI 21 WIQ S ETSMS HI GMIRXMWXEW HI HEHSW E ÇťQ de reduzir o tempo de inatividade e os erros, otimizar as atividades de manutenção e QIPLSVEV E UYEPMHEHI HS TVSHYXS 4 software ENYHE E XVEHY^MV I EVUYMZEV S GSRLIGMQIRXS HE ETPMGE¹­S GSQTPI\S RYQE ETPMGE¹­S HI 21 ǝZIP 4W IWTIGMEPMWXEW GSRGIRXVEQ WI RS WIY GSRLIGMQIRXS HS GSQTSVXEQIRXS HE QÂŤUYMna e do processo e ligam-no Ă s etapas de ML IQ I\IGY¹­S IQ WIKYRHS TPERS O ML automatizado pode ser aplicada em muitas ĂĄreas, desde a deteção de anomalias