Mange addressere Machine Learning projekter som en black-box løsning eler en produkt leverance.
Machine Learning-projekter, der leveres med rigtigt, er dog meget mere end det.
Det giver dig indsigt i, om du opsampler det rette data, og om dine hypoteser omkring mønstre i din produktion er sande.

Vi har talt om det i årevis. Konsulentfirmaer har sagt i lang tid, at vi har brug for det. Måske sigter du endda mod det i din strategi?
Hvad er nøjagtigt Big Data? og hvordan kom vi til at snak så meget om det?
Inden du læser videre, så prøv at besvare følgende spørgsmål for dig selv - ingen snyderi: Hvor mange V'er definerer Big Data?

I dette blogindlæg vil vi tale om fordelene ved at anvende begrebet resterende brugbare levetid, eller remaining useful life, på en maskinkomponent som en hoveddriver til planlægning af vedligeholdelse og påvisning af slid, før der opstår nedbrud. Der er et stort potentiale for både at reducere de samlede omkostninger ved vedligeholdelse og reservedele, men også for at øge den samlede oppetid ved at bruge data, når man planlægger vedligeholdelsesintervaller.

I dette blogindlæg gennemgår vi de forskellige tilgange til prædiktiv vedligeholdelse. Right data er altid grundlaget, og forskellige typer maskinlæringsalgoritmer kan bruges afhængigt af den aktuelle situation og det problem / den værdi, vi sigter mod.

Ifølge Dansk Vedligeholdelsesforening (DDV) anslås maskinervedligeholdelse til at koste danske produktionsvirksomheder 25 milliarder danske kroner hvert år. Derudover anslås det, at der sker en global omkostningsreduktion på $ 240 - $ 630 milliarder i 2025 takket være implementeringen af ​​prædiktiv vedligeholdelse [1].

Der er mange myter om kunstig intelligens (AI) og machine learning (ML). Som med andre nye teknologier er nogle sande og andre helt forkerte. De usande myter skaber ofte støj, der forhindre os i at tage de rigtige beslutninger om denne nye teknologi. I dette blogindlæg vil vi forsøge at myte bust nogle af de mest almindelige myter inden for AI.

Når vi hjælper kunder med deres data og at benytte machine learning bliver vi nogengange spurgt “hvorfor er gentræning så vigtigt?” Dette er naturligt, da man ofte ved softwareudvikling kan høre folk sige: “Når koden fungerer, skal du lade den være” eller “if it aint broke don't fix it”.