Resumé
I dette modul udforskes udrulningen af en forudsigende vedligeholdelsesalgoritme til pumper, der er placeret eksternt i olie- og gassektoren. Virksomheden henter data fra feltsensorer, men ønsker at udrulle algoritmer til forudsigende vedligeholdelse på edge-enheder. For at håndtere datadrift har virksomheden til formål at omskole algoritmerne automatisk.
MED MLOps kan du administrere modeludvikling og -udrulning fra ende til anden. Du kan bygge, overvåge og validere modeller til maskinel indlæring med minimal indgriben. Disse modeller kan udrulles på edge-enheder, f.eks. pumper, og køre offline, hvis det er nødvendigt. Hyppig automatisk genoplæring sikrer, at den mest up-to-datomodel kører på enhederne.
Uden en MLOps-strategi kan udrullede modeller returnere resultater, der ikke afspejler dataenes aktuelle tilstand. Disse resultater kan være vildledende eller forkerte.
Udrulning af MLOps hjælper dig med at realisere og bevare værdien af dine modeller ved at holde dem opdateret gennem genoplæring. Virksomheden kan spare betydeligt på vedligeholdelses- og produktionsomkostninger, forbedre sikkerheden på arbejdspladsen og reducere dens miljøpåvirkning.