Introduzione
Si lavora per una società di produzione che usa dispositivi e attrezzature industriali nello svolgimento delle proprie operazioni. La rottura di uno di questi dispositivi costa tempo e denaro dell'azienda. Ecco perché l'esecuzione della manutenzione su questi dispositivi è importante.
Scenario: manutenzione predittiva
Esistono molti fattori diversi, ad esempio l'utilizzo, che influiscono sulla necessità di manutenzione. Nessun dispositivo è uguale a un altro. Dimostrarsi proattivi nella manutenzione può aiutare a ridurre al minimo il tempo e il denaro che l'azienda spende quando un dispositivo si rompe. Fino a questo punto, si è tenuto traccia manualmente dei dispositivi che richiedono interventi di manutenzione. Man mano che l'azienda si espande, questo processo diventa più difficile da gestire.
Cosa succederebbe se fosse possibile automatizzare la stima degli interventi di manutenzione che un dispositivo richiederà usando i dati di un sensore?
Machine Learning consente di analizzare i dati cronologici da questi sensori. Machine Learning può anche includere modelli di apprendimento per prevedere se un computer necessita di manutenzione o meno.
Si vuole sfruttare le proprie competenze .NET e usare strumenti familiari come Visual Studio per creare una soluzione, ma non si ha molta esperienza con Machine Learning. Di conseguenza, si è deciso di usare ML.NET, un framework di Machine Learning open source per .NET. Si userà anche l'estensione Visual Studio del framework, Model Builder, per creare il modello di Machine Learning.
Che cosa imparerà?
In questo modulo si apprenderà cosa è Model Builder, come usarlo per eseguire il training di modelli di Machine Learning e come usare tali modelli all'interno di applicazioni .NET.
Qual è l'obiettivo principale?
L'obiettivo di questo modulo è quello di illustrare il processo d'uso di modelli di Machine Learning per risolvere problemi aziendali reali.