Internet Industriel des Objets IIOT : 5 cas d'utilisation passionnants du machine learning en entreprise

La sortie de deux créateurs de modèles d'apprentissage automatique (ML) a permis aux ingénieurs logiciels de créer et d'exécuter plus facilement des modèles ML, même sans formation spécialisée.Microsoft et Amazon Web Services (AWS) Gluon est un projet open source qui élimine certains des travail difficile requis pour développer des systèmes d'intelligence artificielle (IA). Il fournit des algorithmes de formation et des modèles de réseaux neuronaux, deux composants importants d'un système d'apprentissage en profondeur, que les développeurs peuvent utiliser pour développer leurs propres systèmes de ML.Le moteur ML de Google fait partie de sa plate-forme cloud et est proposé en tant que service géré aux développeurs pour créer du ML des modèles qui fonctionnent sur tout type de données, de toute taille. Semblable à Gluon, le service de Google fournit des modèles pré-formés aux développeurs pour qu'ils génèrent leurs propres modèles de ML personnalisés. C'est le moment idéal pour examiner de plus près le ML et voir comment vous pourriez être en mesure de l'appliquer dans votre entreprise. La combinaison du big data et de l'apprentissage automatique peut libérer la valeur des données que vous possédez déjà en révélant des modèles que vous pouvez utiliser pour créer et améliorer des offres ou obtenir un avantage sur la concurrence.Voici 5 façons dont les entreprises appliquent le ML pour innover dans leurs produits et services 1. Véhicules autonomes Les véhicules autonomes pourraient conduire à un avenir plus sûr, plus propre et plus efficace pour les transports. Les développeurs de logiciels utilisent des algorithmes d'apprentissage automatique et d'apprentissage en profondeur (DL) pour alimenter la vision par ordinateur qui permet au véhicule de prendre des décisions d'une manière similaire à la prise de décision humaine .Drive.ai utilise DL pour construire le «cerveau» des véhicules autonomes. Son équipe utilise une main-d'œuvre gérée pour transformer des données non structurées à partir d'images brutes en données structurées à l'aide de boîtes de délimitation pour annoter des objets tels que des panneaux routiers, des feux de signalisation et des piétons. Ces images enrichies sont ensuite utilisées pour «apprendre» aux systèmes autonomes à reconnaître les objet et comment décider de la réponse appropriée en cours de route.[bctt tweet=”The combination of big data and machine learning can unlock the value of data you already have to gain a competitive edge for your business.” username=”iotforall”]2. Instruction pour l'écriture Apprendre aux gens à écrire peut être difficile à mettre à l'échelle. Même pour les enseignants expérimentés du secondaire et les professeurs d'université, il peut être difficile de réviser les travaux écrits et de fournir des commentaires significatifs à chaque élève de chacune de leurs classes.Ecree utilise le ML pour alimenter les fonctionnalités de son logiciel automatisé d'évaluation d'écriture. Lorsqu'un étudiant soumet un essai, un algorithme reconnaît si l'étudiant a inclus un énoncé de thèse ou un énoncé d'intention, puis évalue la qualité de l'énoncé.Le logiciel utilise 36 mesures pour noter le travail de l'étudiant et peut fournir des commentaires aux étudiants en moins de une minute. Les étudiants peuvent soumettre autant de brouillons qu'ils le souhaitent et être coachés sur leur écriture en temps réel pour apprendre les éléments d'une bonne rédaction: organisation, clarté, preuves à l'appui et analyse. L'outil garantit également que chaque élève est évalué de manière égale, en utilisant le même critère. Maintenance prédictive IoT et IIoT La maintenance des équipements est l'un des nombreux défis coûteux auxquels sont confrontées les entreprises qui déploient des flottes de machines sur le terrain. L'Internet des objets (IoT) et l'Internet des objets industriel (IIoT) utilisent des capteurs intégrés sur les objets du quotidien, des jauges de carburant aux pneus, pour collecter des données et les partager sur un réseau. Le système utilise le ML pour analyser des données telles que la température et l'humidité afin de prédire les performances et les résultats futurs. Caterpillar, une entreprise qui fabrique des systèmes d'alimentation marine, utilise l'IoT et l'apprentissage automatique pour découvrir des modèles dans les données des équipements et des appareils. Dans un exemple, Caterpillar a identifié que les relevés des compteurs de carburant étaient corrélés à la quantité d'énergie utilisée par les conteneurs réfrigérés à bord. Ils utilisent ces données pour optimiser les paramètres de fonctionnement en modifiant la sortie du générateur. Les économies qui en résultent étaient de 30 $ l'heure, ou 650 000 $ sur un an, pour 50 navires. Planification de la logistique entrante La planification logistique garantit que la bonne personne reçoit le bon nombre de fournitures au bon endroit et au bon moment. La logistique entrante se concentre sur la gestion des fournisseurs et des marchandises qu'ils envoient dans une entreprise. Il s’agit d’un processus complexe de gestion des commandes, d’expédition, d’entreposage, de contrôle des stocks et d’utilisation. En rassemblant et en intégrant des données sur la planification existante dans un modèle de ML, les entreprises peuvent prédire et recommander les processus futurs. Le détaillant Walmart utilise le ML pour optimiser l'efficacité de l'entreprise. Son système Retail Link 2.0 utilise des informations qui circulent tout au long de la chaîne d'approvisionnement pour identifier les écarts par rapport à son processus afin de pouvoir effectuer des ajustements en temps réel. Le constructeur automobile Honda utilise l'apprentissage automatique pour détecter les problèmes de qualité au-delà de la chaîne de montage en identifiant des modèles dans les champs de texte libre des notes de retour de garantie et dans les rapports des mécaniciens. Crédit d'image au détail: Pilot AI Labs5. Commerce de détail Les entreprises qui vendent des produits en magasin ou en ligne collectent des données volumineuses depuis un certain temps déjà. Ils recueillent des données démographiques sur les consommateurs, leurs habitudes de consommation et leurs préférences. Le défi a été d'agréger les données en ligne et hors ligne et de reconnaître des modèles dans les données qui pourraient influencer positivement les prix, l'inventaire, l'expérience client et la rentabilité.L'apprentissage automatique permet aux détaillants de découvrir des modèles dans les données sur lesquelles ils peuvent agir. influencer l'expérience du client avec sa marque. Les détaillants de commerce électronique peuvent collecter des données lorsque les acheteurs parcourent et achètent des articles sur leurs sites Web, puis utilisent ces informations et les tendances du marché pour proposer des recommandations de produits personnalisées susceptibles d'augmenter les ventes.Le géant du commerce de détail Amazon a été parmi les premiers à mettre en œuvre des recommandations de produits personnalisées basées sur la navigation des acheteurs et les historiques d'achat. Le ML alimente certains aspects de ce moteur de recommandation, ainsi que le traitement du langage naturel utilisé par Alexa d'Amazon, son assistant vocal numérique.Le détaillant de vêtements de luxe Rebecca Minkoff utilise Alexa pour extraire rapidement les détails de leurs données. Lors de ShopTalk 2017, le co-fondateur Uri Minkoff a demandé à Alexa l'article le plus acheté de la collection de printemps de la marque et a obtenu la réponse correcte en une seconde.Cependant, vous décidez de poursuivre l'utilisation de ML et DL pour votre entreprise, vos données sont l'or être miné. Jetez un œil à vos données non structurées et structurées, que les modèles de ML peuvent consommer pour transformer un grand nombre de vos processus de base en systèmes intelligents pour l'innovation et un avantage concurrentiel.Écrit par Nanette George, Senior Marketing Manager chez CloudFactory.

Laisser un commentaire