機器和生產工廠不斷產生數據。將這些數據成功轉化為創新的公司獲得了決定性的競爭優勢。借助易於使用的軟體，魏德米勒公司正在使人工智慧方法應用於機器生產商和生產型公司。

魏德米勒公司正在使人工智慧方法應用於機器生產商和生產型公司。

為了分析機器數據和流程數據，工業分析使用了能夠檢測異常情況甚至能夠預測未來機器行為的複雜模型。通過使用人工智慧（AI）方法和機器學習（ML），用源自原始數據的特徵來揭示以前未知的測量值之間的關係。

需要具備綜合專門知識

幾乎在所有公司都能獲得必要訊息。在開發有意義的分析模型時，尤其是中型公司通常還要依賴外部數據科學家的支持。魏德米勒公司開發了一個突破性的解決方案，使中型公司不再需要數據科學家。在與最終用戶密切合作的過程中，數據專家識別測量值中的相關性並訓練初始模型。初始模型應用成功後，反復向初始模型輸入新數據，並在機器的整個生命週期中進一步開發模型。隨著時間的推移，這將提高訊息質量。

學習機器學習

許多機器生產商和生產型公司還不能獨立使用現有的機器學習工具，因為這些工具的操作已經針對分析專家的數據驅動活動進行了優化。公司可以用巨額資金培訓現有員工，也可以自己僱用一名數據科學家。這就產生了一個抑制閾值，放慢了人工智慧在工業中的應用速度。

另一個方法是開發易於使用的軟體解決方案，即使用戶沒有經過任何統計培訓也能夠理解並生成分析模型。魏德米勒公司的工業分析業務部門已經通過自動化機器學習軟體將這一想法付諸實踐。該款應用程序的名稱意味著模型大部分是自動開發的。

「類似的應用程序目前在金融技術、銀行業和營銷領域得到廣泛使用。但是，現有的解決方案不適用於機器和工廠，因為它們不支持自動化行業的相關數據類型。這些解決方案總是需要一個理想的數據庫，」工業分析業務部門產品經理Carlos Paiz Gatica博士解釋道。「此外，這些解決方案不能整合用戶的領域知識，而這對於工業應用程序至關重要。」

對於自動化機器學習軟體，魏德米勒公司的分析專家將領域專家的數據訊息與算法相結合，自動生成合適的模型。以下步驟描述了模型生成過程（以異常檢測為例）：

1.選擇訓練數據

領域專家決定應該使用哪些數據集來學習機器或工廠的正常行為。為此，首先生成原始數據概述，用來支持用戶評估數據的訊息內容。測量值的準備過程完全自動進行。

2.特徵工程

如果原始數據不夠，可以在原始數據的基礎上生成附加訊息。用戶可以使用其領域知識來創建新特徵。例如，這些特徵可以描述溫度變化的過程，而不僅顯示個別狀況。使用這些特徵比使用原始數據通常能夠對機器狀況進行更好的評估。

3.標記機器行為

用戶用標籤標記數據中存在的正常行為區域（綠色）或不希望發生的行為區域（紅色）。這樣能夠使用戶用其領域知識增加訓練數據的訊息內容。輔助系統通過直接突出顯示數據集中的類似情況，支持標記過程。

4.模型訓練

標記過的數據集被轉換成模型，並用各種機器學習方法進行訓練。這個全自動化的過程產生了一個替代模型列表，該列表可以提供與結果質量、執行時間和訓練持續時間相關的訊息。《異常分數圖》（Anomaly Score Plot）直接顯示模型的結果，專家可以直接比較模型性能。如果未能實現所需的模型性能，用戶可以再次編輯模型的特徵和標籤。然後，可以將模型直接轉移到目標系統的架構中。

擴展人工智慧應用程序

Paiz說過：「有了自動化機器學習軟體，機器生產商和生產型企業不必成為數據專家，就可以獨立開發人工智慧和機器學習並從中獲益。通用的應用程序支持用戶生成初始模型並進一步開發模型。這樣，公司不再依賴數據科學家，也不必與外部合作夥伴分享其工藝流程和機器知識。」