机器和制造工厂不断产生数据。成功将这些数据转化为创新的公司获得了决定性的竞争优势。在易于使用的软件的帮助下，维特姆尤勒将人工智能方法应用于机器制造商和生产公司。

为了分析机器数据和过程数据，工业分析使用复杂的模型来检测异常情况，甚至预测未来的机器行为。通过使用人工智能(ai)方法和机器学习(ml)，先前未知的测量值之间的关系通过源自原始数据的特征被揭示。

几乎所有公司都有必要的信息。当开发有意义的分析模型时，尤其是中型公司，通常依赖外部数据科学家的支持。韦登米勒开发了一个突破性的解决方案，以消除中型公司对数据科学家的需求。在与最终用户密切合作的过程中，数据专家识别测量值的相关性并训练初始模型。在初始模型成功应用后，新数据被反复输入到初始模型中，并且该模型在机器的整个生命周期中被进一步开发。随着时间的推移，这将提高信息的质量。

许多机器制造商和生产公司无法独立使用现有的机器学习工具，因为这些工具的操作已经针对分析师的数据驱动活动进行了优化。公司可以用巨额资金来培训现有员工，或者自己雇佣一名数据科学家。这就产生了一个抑制阈值，减缓了人工智能在工业中的应用。

另一种方法是开发一个易于使用的软件解决方案，使用户能够理解和生成分析模型，而无需任何统计培训。维特姆尤勒公司的工业分析业务部门已经通过自动机器学习软件将这一想法付诸实践。应用程序的名称意味着大多数模型都是自动开发的。

“类似的应用广泛应用于金融技术、银行和市场营销。然而，现有的解决方案不适合机器和工厂，因为它们不支持自动化行业的相关数据类型。这些解决方案总是需要一个理想的数据库。”“此外，这些解决方案无法集成用户的领域知识，而这对于工业应用来说至关重要。"

对于自动机器学习软件，Veidemyuller公司的分析专家将领域专家的数据信息与算法相结合，自动生成合适的模型。以下步骤描述了模型生成的过程(以异常检测为例):

1。选择培训数据

领域专家决定应该使用哪些数据集来学习机器或工厂的正常行为。为此，首先生成原始数据摘要，以支持用户评估数据的信息内容。测量值的准备过程是完全自动的。

2。特色工程

如果原始数据不足，可以根据原始数据生成附加信息。用户可以使用他们的领域知识来创建新功能。例如，这些特征可以描述温度变化的过程，而不仅仅是显示个体状况。使用这些特征通常可以比使用原始数据更好地评估机器状况。

3。标记机器行为

用户用标签标记数据中的正常行为区域(绿色)或不良行为区域(红色)。这样，用户可以使用他们的领域知识来增加训练数据的信息内容。辅助系统通过直接突出显示数据集中的类似情况来支持标记过程。

4。示范培训

标记的数据集被转换成模型，并通过各种机器学习方法进行训练。这个完全自动化的过程产生了一个替代模型列表，它可以提供与结果质量、执行时间和培训持续时间相关的信息。异常评分图直接显示模型的结果，专家可以直接比较模型的性能。如果未达到所需的模型性能，用户可以再次编辑模型的特征和标签。然后，模型可以直接转移到目标系统的架构中。

paiz说:“有了自动化机器学习软件，机器制造商和生产企业可以独立开发人工智能和机器学习，并从中受益，而无需成为数据专家。”“通用应用程序使用户能够生成初始模型并进一步开发它们。这样，该公司不再依赖数据科学家，也不必与外部合作伙伴分享其流程和机器知识。”