Gaminant dirbtinį intelektą iškyla esminis iššūkis: duomenų nestacionarumas, kuris kenkia algoritmų veiksmingumui ir patikimumui.
“ML cube Platform” ją sprendžia teikdama iniciatyviai nustatydama duomenų ir veikimo sąlygų pokyčius, kurie galėtų pabloginti modelio tikslumą ir potencialiai sukelti gamybos problemų.
Tai padeda AI kūrėjams pagerinti jų dirbtinio intelekto sistemų, įdiegtų “Siemens Industrial Edge”, patikimumą.
Nuolat seka modelio našumą, įvestis, vaizdo metriką ir išvestis realiuoju laiku, generuodamas įspėjimus apie anomalijas ar pablogėjimą, kad būtų užtikrintas patikimumas ir greitas atsakas.
Nustato ir paaiškina, kodėl vyksta dreifas, pabrėžiant, kurios vaizdo funkcijos ar duomenų segmentai pasikeitė, padėdami komandoms greitai suprasti ir spręsti pagrindines priežastis.
Grupuoja duomenis į besivystančias grupes pagal modelius, todėl galima aptikti duomenų segmentų poslinkius ir atskleisti paslėptus pokyčius, turinčius įtakos modelio veikimui.
ML cube Platform stebėjo įvesties vaizdus ir teisingai nustatė netikėtą sezoniškumo dreifą, dėl kurio pablogėjo modelio našumas. Dinaminiai klasterizacijos ir dreifo paaiškinamumo moduliai leido vartotojui suprasti dreifo šaltinį.
ML cube Platform stebėjo įvesties vaizdus ir etiketės prognozę, teisingai identifikuodama dreifą dėl aplinkos apšvietimo būklės pokyčių. Segmentuota stebėsena leido nustatyti problemas konkrečiose gamybos linijose, padedančias suprasti, kur klaidos yra labiausiai tikėtinos.