Introducción
Trabaja para una empresa de fabricación que usa dispositivos y equipos industriales como parte de sus operaciones. Cuando uno de estos dispositivos se estropea, le cuesta tiempo y dinero a la empresa. Por eso es importante realizar el mantenimiento de estos dispositivos.
Escenario: mantenimiento predictivo
Hay muchos factores diferentes, como el uso, que afectan a la necesidad de mantenimiento. No hay dos dispositivos iguales. Un mantenimiento proactivo puede ayudar a reducir el tiempo y el dinero que una empresa invierte cuando un dispositivo deja de funcionar. Hasta ahora, ha realizado el seguimiento manual de los dispositivos que requieren mantenimiento. A medida que la empresa se expande, este proceso se vuelve más difícil de administrar.
¿Y si pudiera predecir de forma automática en qué momento va a necesitar mantenimiento un dispositivo mediante los datos de un sensor?
El aprendizaje automático puede ayudarle a analizar datos históricos de estos sensores. El aprendizaje automático también puede implicar patrones de aprendizaje que le ayuden a predecir si una máquina necesita mantenimiento, o no.
Le gustaría aprovechar sus aptitudes de .NET y usar herramientas conocidas, como Visual Studio, para crear una solución de aprendizaje automático, pero no tiene mucha experiencia con el aprendizaje automático. En consecuencia, ha decidido usar ML.NET, un marco de aprendizaje automático de código abierto para .NET. También usará la extensión de Visual Studio del marco, Model Builder, para compilar el modelo de Machine Learning.
¿Qué aprenderá?
En este módulo, aprenderá qué es Model Builder, cómo se usa para entrenar modelos de aprendizaje automático y cómo se consumen esos modelos dentro de aplicaciones .NET.
¿Cuál es el objetivo principal?
El objetivo de este módulo es mostrarle el proceso de usar modelos de Machine Learning para resolver problemas empresariales reales.