I AI i produktionen opstår der en afgørende udfordring: ikke-stationaritet af data, hvilket kompromitterer algoritmernes effektivitet og pålidelighed.
ML cube Platform adresserer det ved at levere ved proaktivt at registrere ændringer i data og driftsforhold, der kan forringe modelnøjagtigheden og potentielt forårsage produktionsproblemer.
Det hjælper AI-udviklere med at forbedre pålideligheden af deres AI-systemer, der er implementeret på Siemens Industrial Edge.
Sporer løbende modelydelse, input, billedmålinger og output i realtid og genererer advarsler om uregelmæssigheder eller nedbrydning for at sikre pålidelighed og hurtig respons.
Identificerer og forklarer, hvorfor drift opstår ved at fremhæve, hvilke billedfunktioner eller datasegmenter, der er ændret, hvilket hjælper teams med hurtigt at forstå og løse de grundlæggende årsager.
Grupperer data i udviklende klynger baseret på mønstre, hvilket muliggør registrering af skift i datasegmenter og afsløring af skjulte ændringer, der påvirker modelens ydeevne.
ML cube Platform overvågede inputbillederne og identificerede korrekt en uventet sæsonmæssig drift, hvilket forårsagede en forringelse af modelydelsen. De dynamiske klynger- og driftsforklarbarhedsmoduler gjorde det muligt for brugeren at forstå kilden til driften.
ML cube Platform overvågede inputbillederne og etiketforudsigelsen og identificerede korrekt drift på grund af ændringer i lysforholdene i miljøet. Segmenteret overvågning gjorde det muligt at identificere problemer i specifikke produktionslinjer og hjælpe med at forstå, hvor fejl er mest sandsynlige.