制造业中的数据分析和机器学习

电子商务的发展、供应商之间的不稳定以及全球大流行的风险震惊并加速了对供应链的需求。企业发现，现有的预测需求和管理库存的模型和方法不足以应对零售业的新常态。在过去，公司可能会使用有限的数据集进行每周或每月的汇总预测，但在电子商务时代的竞争中，消费者可以轻松地切换商店，这要求公司有能力在一天和商店层面预测SKU的需求。

为了更好地预测产品和服务的需求，提高时间序列分析的速度和准确性对零售商的成功至关重要。在本笔记本中，我们讨论了时间序列预测的重要性，可视化一些样本时间序列数据，然后构建一个简单的模型来展示Facebook Prophet的使用。一旦您习惯于构建单个模型，我们将结合Prophet与Apache Spark™的魔力，向您展示如何同时训练数百个模型，使我们能够以目前很少实现的粒度级别为每个单独的产品-商店组合创建精确的预测。

自然灾害、流行病、社会动荡和其他因素最近都对我们的全球供应链造成了破坏。确保我们有足够的产品来满足需求，同时不持有太多库存是每个企业面临的关键挑战。该解决方案提供了一种现代化的方式，帮助零售商和制造商确定最佳的安全库存，以防止业务中断，同时释放流动资金。

制造商如何了解他们在全球范围内数十万甚至数百万个零件的库存，而本地团队可能在内部系统中有不同的项目描述?或者，制造商如何解决他们的产品定义和数十个零售合作伙伴之间的产品描述之间的差异?bob体育外网下载该解决方案使用机器学习来进化基于规则和概率(模糊)匹配技术，以在不完美的数据上进行有效的产品匹配。

Beim Trainieren von Machine-Learning-Modellen mit Echtzeitdaten von IoT-Sensoren ist es in einigen Anwendungsfällen erforderlich, jedem vernetzten Gerät ein eigenes model zuzuweisen, da der Einsatz vieler einfacher Machine-Learning-Algorithmen oft zu besseren Ergebnissen führt als die Nutzung eines einzigen komplexen models。Allerdings kann die derart umfangrehe Bestände IoT- und gerätebezogener Daten generieren, dass diese im Unterschied zu gerätebezogenen Daten allein nicht mehr auf einem einzigen计算机gespeichert werden können。Darüber hinaus implementiert das Data-Science-Team Single-Node-Bibliotheken wie Sklearn und Pandas, so dass die Reibungsverluste bei der Verteilung des Proof-of-Concept für einen Computer gerering sein müssen。在diesem Blogpost zeigen wir Ihnen, wie Sie dieses Problem mit zwei unterschiedlichen Schemata für jedes IoT-Gerät lösen:模型训练和模型操作。

Die Wartung von Anlagen wie beispielsweise Kompressoren ist in äußerst komplexes unterfaen: si werden in allen Umgebungen von kleinen Bohrinseln bis hin zu Tiefseeplattformen eingesetzt, Die Anlagen sind auf der ganzen Welt verstraut und Sie erzeeugen täglich viele Terabyte Daten。Der Ausfall eines einzigen Kompressors verursacht Produktionsausfälle mit verlusen in einer Größenordnung von mehren million Dollar täglich。在柴油Lösung zeigen wir Ihnen, wie Sie eine端到端管道für prädiktive Daten aufbauen。Diese stellelleine Echtzeitdatenbank zur Wartung von Anlagenteilen和zur Pflege von sensorzudnungen bereit, unterstützt eine forlaufende Anwendung, die eine enme Menge an telemtriedaten verarbeitet, und ermöglicht es Ihnen, auf Grundlage dieser Datenbestände Kompressorausfälle vorherzusagen。