無需數據科學專業知識即可輕松使用機器學習
希望明日保持盈利的公司，必須在今日設定方向。數字化是關鍵，因為基于數據的服務決定了未來的業務成功。這使得在工業生產中使用人工智能（AI）成為當今機器和工廠面臨的主要挑戰之一。從檢測異常，到分類和預測磨損或損壞，再到質量控制，人工智能解決方案已用于許多領域。
人工智能從何用起？借助自動化機器學習（AML）工具，魏德米勒為用戶提供了合適的軟件。自動化機器學習工具使行業專家可以根據他們的應用知識獨立創建機器學習（ML）模型。如此一來，他們就可以將其對機器和工廠業務的專業知識應用到軟件工具中。在建模過程結束時，專家將獲得適合其應用的模型。
復雜的建模過程
魏德米勒自動化機器學習工具：使用人工智能（AI）輔助創建模型。
如今，數據科學家可以分析數據并創建機器學習模型。這個過程主要涉及手動操作并具有探索性。這不僅創建了實際的模型，而且還創建了所謂的機器學習流程，其中，數據經過許多處理步驟，最后顯示模型并輸出結果。創建模型和機器學習流程的過程非常復雜。總共有多達1040種可能的組合來構建機器學習解決方案。ML-Pipeline的具體設計在每種用例中都是獨一無二的。當然，數據科學家可以使用一些軟件工具來支持Pipeline的基本結構，從而簡化工作。但是，機器學習解決方案的大多數參數必須以創造性的方式手動確定，這是一項艱巨的工作。在Pipeline建模和構建過程中，數據科學家不斷與機器和過程專家討論數據中所體現的關系。共同解釋結果，從而最終確定模型參數并構建Pipeline。因此，行業專家的應用知識對于創造一個成功的機器學習解決方案而言至關重要。
使機器學習的使用民主化
無需數據科學領域的專業知識即可輕松應用機器學習--自動建模
魏德米勒的愿景是使機器學習的應用民主化，即，使每一位行業專家都能獲得機器學習知識，并且確保機器學習在工業中的應用不為數據科學家數量所限。如此便可充分利用行業專家的現有知識。因此，需要標準化、簡化機器學習在工業中的應用，以使行業專家無需數據科學領域的專業知識即可獨立創建機器學習解決方案。此外，還需要最大化地實現建模自動化，創建ML-Pipeline，以加快機器學習解決方案的創建。可以用"自動化機器學習"這一術語來描述上述流程背后的技術方法。盡管"自動化機器學習"確實是指完全自動化地創建機器學習解決方案，但行業專家應積極地將其知識與自動化機器學習過程聯系起來，以創建出色的機器學習解決方案。
指導分析
借助自動化機器學習軟件，行業專家可以創建機器學習模型。自動化機器學習軟件指導用戶完成模型開發過程，這就是為什么需要指導分析的原因。專家專注于研究機器和過程行為知識，并將這些知識鏈接到后臺運行的機器學習過程。這意味著自動化機器學習軟件巧妙地查詢現有知識并將其與后臺運行的機器學習過程結合起來，從而將現有的和有價值的應用知識傳輸到可靠的機器學習應用中并存檔。
行業專家獨立開發機器學習解決方案
自動化機器學習解決方案本質上由兩個模塊組成，這些模塊用于模型的創建、執行和優化，以及在模型整個生命周期中對其進行管理。
使用建模模塊，行業專家可以基于訓練數據及其在異常檢測、分類和故障預測方面的應用知識，創建機器學習解決方案。
僅基于"良好數據"（即所謂的"無監督"培訓）的異常檢測是目前較為先進的方法。這是一種根據歷史數據學習正常機器行為的典型數據模式的算法。在運行時，可以識別出實際情況與典型數據模式之間的偏差。檢測到的異常可能是由于效率低下、輕微故障或重大錯誤。借助這種方法，系統甚至可以在發生完全未知的錯誤情況時立即檢測到它們。建模過程的結果是一個完整配置的ML-Pipeline，包括模型。
此外，模型構建器用于在運行期間優化機器學習模型。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，機器運行時發生的異常或錯誤）包含在模型中。這使得模型可以在其生命周期中不斷改進。
自動化機器學習模型的第二個模塊是執行環境，在云短或現場應用中運行機器學習模型。自動化機器學習工作室不依賴于某個平臺，而是根據要執行的模型數量自動調整。 另外，執行環境以易于理解的方式呈現模型結果，便于用戶采取具體行動，例如避免錯誤。由于模型在生命周期中不斷改進，因此創建了新的模型版本，所以模型管理是執行環境的另一個組成部分。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
在自動建模中，首先根據應用知識以及用于分析任務的訓練數據的結構，自動選擇合適的機器學習過程。這樣，最多為原始數據中的每個數據磁道生成300個特性，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習模型并優化其超參數。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運行。根據復雜程度，計算模型可能需要幾分鐘或幾小時。只需數分鐘就可使用第一個模型，以便用戶可以及時獲得有關模型質量的反饋，繼而決定是繼續還是終止模型構建過程。
對于成功模型構建而言至關重要的是行業專家的應用知識，可利用這些知識來改進訓練數據集。基于機器和過程知識，行業專家可以標記數據，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，標記某些過程或生產步驟，比如典型的機器啟動行為。用戶還可以創建自己的特性，這些特性不包含在原始數據中，但仍有助于評估制造過程。
含有豐富應用知識的數據集為后續自動生成機器學習模型提供輸入變量。這樣得出的機器學習解決方案與數據科學家手動創建的解決方案相當。在建模過程結束時，用戶根據某些標準（例如模型質量或執行時間）選擇最適合其應用的模型。可以將偏愛的模型導出并保存或集成到執行環境中。
易于操作，模型持續優化--該軟件工具可指導用戶完成模型開發和優化過程
重點在于用戶的應用專有技術
用戶的應用專有技術對于專注于機器學習應用的行業做出了巨大貢獻，這對于歐洲經濟的成功至關重要。來自第一批機器制造商和操作員試點用戶的反饋表明，自動化機器學習工具對用戶友好，并且在功能和用戶指導方面最能滿足用戶的需求。
本頁面信息涉及廣告內容
