I AI i produksjon dukker det opp en avgjørende utfordring: ikke-stasjonaritet av data, noe som kompromitterer effektiviteten og påliteligheten til algoritmer.
ML cube Platform adresserer det ved å tilby ved proaktivt å oppdage endringer i data og driftsforhold som kan forringe modellnøyaktigheten og potensielt forårsake produksjonsproblemer.
Det hjelper AI-utviklere med å forbedre påliteligheten til AI-systemene deres distribuert på Siemens Industrial Edge.
Sporer kontinuerlig modellytelse, innganger, bildeberegninger og utganger i sanntid, og genererer varsler for avvik eller nedbrytning for å sikre pålitelighet og rask respons.
Identifiserer og forklarer hvorfor drift oppstår ved å markere hvilke bildefunksjoner eller datasegmenter som er endret, slik at teamene raskt kan forstå og løse årsakene.
Grupperer data i utviklende klynger basert på mønstre, gjør det mulig å oppdage endringer i datasegmenter og avdekke skjulte endringer som påvirker modellytelsen.
ML cube Platform overvåket inngangsbildene og identifiserte riktig en uventet sesongvariasjonsdrift, noe som forårsaket en forringelse av modellytelsen. De dynamiske klyngings- og driftsforklaringsmodulene tillot brukeren å forstå kilden til driften.
ML cube Platform overvåket inngangsbildene og etikettprediksjonen, og identifiserte drift riktig på grunn av endringer i lystilstanden i miljøet. Segmentert overvåking gjorde det mulig å identifisere problemer i spesifikke produksjonslinjer for å forstå hvor feil er mest sannsynlig.