總結
實現人工智能(AI)已經成為組織的一個關鍵挑戰尋求創建一個競爭
通過數據的優勢。引入新的技術(和相關的過程變化)總是一個要求高的任務。根據電弧的研究,約50%的受訪者認為自己是“駕駛”階段的人工智能的實現。最終用戶也希望40 - 50百分比的工業應用利用人工智能2030年投入使用。達到這一崇高的目標,他們需要的技術合作夥伴,幫助他們解決的主要挑戰人工智能實現:橋接多個利益相關者和處理數據之間的差距。這個弧視圖將顯示如何使用RapidMiner作為人工智能項目的合作夥伴可以幫助最終用戶解決這兩個關鍵的挑戰。
主要挑戰
實現人工智能應用程序仍然是一個相對較新的概念對許多最終用戶。對於任何新技術或
策略,從概念到生命周期管理每一步似乎是件很難的事。弧是連續製造發現了人工智能研究中最常見的組織所麵臨的挑戰他們的人工智能項目——你可以看到下圖中的結果。
藍色酒吧代表挑戰不僅僅是最終用戶所特有的,但他們的組織作為一個整體。在人工智能中,這些挑戰是放大了的事實是一個跨職能技術和解決工廠工人的需要,數據科學家、企業高管,以及許多其他團體。有時,這些群體的利益和目標不同,留下許多空白橋。
橙色的酒吧是一種常見的攔截器,甚至阻止許多組織開始使用人工智能。人與數據知道你必須清潔和準備用於分析。對於那些沒有足夠幸運有流程進行數據準備,這一過程可以消耗大量的時間和資源而對項目的成功有重大的影響。
不過,正如上麵提到的,大多數在我們調查的受訪者預計人工智能成為不可或缺的一部分生產到2030年。研究還表明,早期采用者的AI通常可以期待更快的投資回報和更大的影響到他們的底線。所以,怎樣才能成為早期采用者集團的一部分嗎?
- 啟動快,快速失敗,快速學習。
- 橋梁專業知識差距數據科學家和車間員工。
- 確保維護模型隨著時間的推移,保證長期的價值創造。
彌合的差距
的差距問題的特點是不同的群體,他們的目標,和不同程度的知識在數據科學和製造業中,分別。這些群體的知識往往是“部落知識”這隻是轉嫁。從瑞士工程和製造公司作為Sarma Malladi SWM國際所說,“所有製造商麵臨的問題部落知識。”
的橋梁,需要強有力的管理,領導,和技術。在電弧的觀點中,這些基本的內部要求必須使用合適的工具,支持滿足以下關鍵要求:
- 所有的任務和團隊的可伸縮性和可靠性。
- 支持用戶提供不同級別的數據科學知識,共同工作項目和實現各自的目標。
RapidMiner專門的工具解決“技能缺口”問題和支持需要彌合這一差距。
- 為任何用戶可訪問性:RapidMiner為新手提供了三個身臨其境的用戶界麵——自動化毫升,嵌入式編碼筆記本電腦專家,支持拖拽的工作流設計器作為中央所有利益相關者的事實來源。
- 基於項目的協作:每個項目涉眾可以訪問相同的共享數據資產和視圖中央位置的進展。
- 卓越中心的方法:除了在平台指導,RapidMiner谘詢與利益相關方如何最好地解決他們高優先級用例和提供一個自助服務學院科學知識,幫助用戶建立自己的數據。
- 合作夥伴生態係統:RapidMiner與幾個manufacturing-specific夥伴,專注於幫助創建數據驅動的價值在商店的地板上。
定製用戶界麵使初學者和專家都使用相同的數據。例如,初學者可以使用AutoML解決方案RapidMiner去創建基本模型在幾個點擊,雖然專家們可以自定義代碼自己的功能和使用RapidMiner筆記本與隊友分享。
這都是單個版本的真實數據,例如常見的數據庫。這有助於上述知識的橋梁,為工廠OT的人能迅速處理數據並創建他們自己的見解。通常,第一個目標是重建現有的觀點和測試係統對部落的知識。信任是建立之後,新見解和生產率的提高。
在接下來的電子行業的案例研究,使用的數據來自客戶支持數據科學團隊——鑒於組織的大小,代表了數以百萬計的世界各地的客戶的數據。
與任何數據科學項目是我們的目標,客戶不知道幕後發生了什麼,他們隻是提供更好的結果對模型的實現。下麵這個案例研究還表明,AI影響售後部門以及零部件的生產。各方依賴和信任的預測發達的機器學習模型。
案例研究:減少客戶支持成本
這個用例實現的組織,是一個著名的,領先的電子產品製造商對消費者和專業市場。其多元化業務包括消費者和專業電子、遊戲、娛樂、金融服務。公司需要降低整體客戶支持成本和任務
數據科學團隊在他們的售後組織實現這一目標。
主要項目所有者和他們的數據科學團隊理解基本的客戶支持統計,有多少人,多少時間人們呆在電話裏,有多少人訪問網站的支持等等,但它是更加困難的團隊來確定人們打電話的原因。他們缺乏理解的原因是,大量的非結構化數據,可以幫助他們以前從未被使用。
第一步深入分析的洞察力和更大的商業價值是關注分類分析——人們為什麼稱和文檔在盡可能多的細節(原因和多層sub-reasons)。要做到這一點,團隊首先必須自動化他們的許多現有的業務流程。這是翻譯過程的一個例子。RapidMiner,團隊可以創建工作流,允許非結構化數據在26個不同的語言經常翻譯簡單交互和分析。
這電子產品製造商第一RapidMiner用於網絡和文本挖掘來支持他們的分類分析,允許他們識別趨勢和背後的原因客戶服務電話。今天,團隊正在與RapidMiner做更強大的分析,如:
- 異常檢測區分常規支持調查和那些會帶來重大的呼叫量在特定主題
- 長尾問題識別幫助找到更小的問題,可能很容易被錯過,但是,如果解決可以創建一個業務產生重大影響。
- 預測和預測分析優化備件庫存。
數據——開始啟動
在最近的一次小組討論在歐洲弧論壇上,那是表示,80%的工作在AI不是關於人工智能本身。的主要挑戰之一是缺乏數據和數據質量差。想象連接40年的設備使用棕色地帶植物獲得必要的數據。即使你成功了,結果數據可能會不同完整性、采集頻率,單位,準確性,可用性,等。也很有可能大部分的數據沒有被正確標示,甚至創造了更多的工作。
多年來,電弧已經做了很多研究的方式組織通常方法無標號數據的問題。大多數依賴內部專家,通常由某種工具,它的範圍可以從excel模板更複雜的軟件。這種耗時的過程通常會增加項目的真實成本。
支持數據準備和標簽,RapidMiner渦輪準備提供數據準備工具,這有助於解決數據不一致的問題。其支持功能分為五個大類:
- 變換——這些函數創建有用的數據子集或允許您修改數據。
- 淨化——這些功能幫助用缺失值,重複,正常化和裝箱。低質量數據,討論的汽車模型,通過汽車清洗可以自動刪除。
- 生成,這些功能幫助您從現有數據生成新的數據列列。
- 主——這些函數簡化的任務創建彙總表。
- 合並——這些功能幫助你把兩個或兩個以上的數據集。
在這個案例研究中,電子製造商首先經曆了好處,隻要使用翻譯功能。它創造的見解和實實在在的利益甚至沒有進入人工智能的核心。
最終用戶也提到以前,數據科學團隊在一個80/20的環境——80%的時間是花在收集和管理數據,分析它,隻有20%。現在所有的乏味任務數據清理和收集與RapidMiner自動化,該公司翻這個比例——80%的時間是花在深入的數據分析,收集和管理數據,隻有20%。
結論
弧經曆了它過去常常:最終用戶和機器製造商沒有實現任何新技術,除非他們完全理解它,相信它可以幫助他們實現他們的目標。這常常導致專有的發展,內部的解決方案,可以有效但需要大量時間和資源。這種性質的解決方案實施後,他們經常呆在操作有時高達40年來,造成巨大的生命周期成本。
雖然的確最終用戶或機器建造者需要理解技術全麵,他們負責工廠和設備的安全運行——正確的平台(比如RapidMiner)結合行業專長可以幫助啟動過程,加速實現,較低的生命周期成本,甚至創造機會,遠遠超出最初的範圍,你的組織的設想。
ARC谘詢集團客戶可以查看完整的報告弧客戶門戶
如果你想買這個報告或獲得關於如何成為一個客戶的信息,謝謝聯係我們
關鍵詞:人工智能,人工智能,機器學習,人工智能實現,RapidMiner,數據轉換,異常檢測,ARC谘詢集團。