ML cube Platform

¿Por qué ML cube Platform?

En la IA en producción, surge un desafío crucial: la no estacionariedad de los datos, lo que compromete la eficacia y confiabilidad de los algoritmos.
ML cube Platform lo aborda al proporcionar mediante la detección proactiva de cambios en los datos y las condiciones operativas que podrían degradar la precisión del modelo y potencialmente causar problemas de producción.
Ayuda a los desarrolladores de IA a mejorar la confiabilidad de sus sistemas de IA implementados en Siemens Industrial Edge.

Beneficios

ML cube Platform proporciona visibilidad sobre el rendimiento, los datos y el comportamiento del modelo en producción, lo que permite la detección temprana de anomalías y garantiza la transparencia y confiabilidad.
ML cube Platform acelera el análisis de la causa raíz al vincular las caídas de rendimiento a los cambios de datos, modelos o sistemas, lo que reduce el tiempo de depuración.
Permite respuestas proactivas a la deriva de datos, como modelos de reentrenamiento o ajuste de canalizaciones de datos, lo que garantiza una precisión y un rendimiento sostenidos.

Funcionalidades destacadas

Monitoreo activo

Realiza un seguimiento continuo del rendimiento del modelo, las entradas, las métricas de imagen y las salidas en tiempo real, generando alertas de anomalías o degradación para garantizar la confiabilidad y una respuesta rápida.

Explicación de la deriva

Identifica y explica por qué se produce la deriva resaltando qué características de imagen o segmentos de datos cambiaron, ayudando a los equipos a comprender y abordar rápidamente las causas raíz.

Clustering dinámico

Agrupa los datos en clústeres en evolución basados en patrones, lo que permite la detección de cambios en los segmentos de datos y el descubrimiento de cambios ocultos que afectan el rendimiento del modelo.

Aplicaciones del mundo real

Select...

Identificación de defectos de fruta

La ML cube Platform supervisó las imágenes de entrada e identificó correctamente una deriva de estacionalidad inesperada, que estaba causando un deterioro del rendimiento del modelo. El agrupamiento dinámico y los módulos de explicabilidad de la deriva permitieron al usuario comprender el origen de la deriva.

ML cube Platform impulsado por ML cube