基于机器学习自动建模预测及执行软件twml introduction cnTWML简介.pptx

TWMLIntroduction

基于机器学习的自动建模、预测及执行的软件TWML-Neuron简介为什么会发生什么将会发生我应该做什么，如何做的更好

TWML-Neuron架构

TWML有何不同？NeuronOtherOptions1能帮助开发者能无需统计专业知识独自建立智能分析程序，.能帮助分析专家和数据科学家，针对特定场景和业务场景建立预测模型2采用机器学习技术，自动执行预测分析过程采用工具包或者咨询服务来建立分析模型，并需要大量的维护、知识和技能来使用第三方技术3为专为高容量，高交互性数据环境设计Drivenbypoint-in-time,notconstantchangesindatavalues.即时点驱动，二不是持续的数据值变化4能主动获取周边系统以及互联设备上的信息和数据析工作之间相互独立和隔离5.持续学习和改进模型需要人工选择、编程、验证和执行这些模型6针对不同数据和行业-Neuron可以从任何数据集中学习并洞察预测很多机器学习技术只能进行有限的分析，或者只能用于某些特定场景和用途7灵活的部署方式，可以SaaS，也可以部署大部分只有SaaS

三项支柱能力，并采用了不同的技术*自动归纳、学习和建模SegmentationClassificationsandCohortDescriptionsSupervisedorUnsupervisedClustering预测信号模式识别和解释分析?规范评分?and因果评分?预测及规范实施评分结果模拟和实施资源优化Neuron也支持支持其他工具产生PMML模型*自动生成预测模型模式识别和检验因果解释性分析智能模拟预测将发生什么解释为何发生影响应该如何应对

TWML示例–BeanProEspressoAbouttheCompany:智能互联咖啡机制造商客户包括连锁店、中型商店以及零售门店BeanProEspresso直销和服务他的客户需要保证机器的持续连接和工作，并尽可能减少因部件故障和维修带来的停机时间，并减少因此带来的利润损失挑战:咖啡机停机导致经营者客户服务问题经营者总是希望最小化停机时间，因为会影响利润以及客户满意度设备被实时监控，但这些实时数据并未用于预测分析服务经理和工程师需要更快速的方式来修复现有问题和将来可能发生的问题

咖啡机结构MachineCharacteristicsFaultCodesServiceRequestsAlertCodesUrgencyTechnicianDataRepairHoursLocationReservoirSensorSwitchUsageCleaningPressureBoilerWaterLevelHeatingTempSensorsOtherData

运行界面-风险仪表盘Failureriskpredictionforeachmachinewithcontributingfactorsandvalues.

模式识别预测信号TWML对准确预测最有价值的预测信号进行排名UnderlyingproofthatsupportseachsignalThingWorxNeuronfound.

模式识别TWML揭示这些对于高部件故障因子组合

自动建立预测模型TWML自动建立和验证高准确度预测模型TWML采用正确的预测算法组合

传统解决方案历史数据库3.R生产预测模型，但与其他的系统很难整合与集成需要数据科学家来进行建模很难提供可以直接与产线业务相关联和优化的可操作预测模型1.产线数据已被记录，包括产线的测试结果数据2.利用产线历史数据建立预测模型，需要数据科学家使用软件来实现，如R语言

TWML解决方案TWAEPTWML历史数据1.产线数据已被记录，包括产线的测试结果数据2.利用产线历史数据自动建立预测模型3.产线实时数据用来匹配模型和预测结果4.预测结果通过各种应用程序呈现，并可以与各种系统集成，实现各种场景的需求模型自动建立预测模型与Thingworx平台集成，提供无缝可操作的实时数据

自动化–不需要数据科学家可运行与执行–集成IoT平台部署灵活–内部部署,云部署或其他专注应用–面向IoT领域的大数据分析Thingworx机器学习优势

AzureML,HANA和其他大数据工具都需要有经验的数据科学家花费大量的时间来建立预测模型ThingWorx机器学习把这个过程自动化，并快速完成需要大量数据科学家大量时间才可以完成的建模ThingWorx机器学习可以基于模型和相关系统以周、月、季度和年为周期，自动优化模型Thingworx机器学习优势—自