Machine Learning
Es difícil encontrar una plataforma IoT que no reclame una solución exitosa de tareas típicas de machine learning relacionadas con IoT, como el mantenimiento predictivo. Sin embargo, en muchos casos sólo significa vender servicios profesionales de analistas de proveedores en lugar de un producto.
AggreGate es muy práctico cuando se trata de machine learning. Es un instrumento que permite a los científicos de datos ahondar en series de tiempo y conjuntos de datos extremadamente grandes para extraer valiosos conocimientos.
Técnicamente hablando, utiliza métodos de aprendizaje supervisados y no supervisados para resolver tres objetivos principales:
| Predicción del valor |
| Detección de anomalías |
| Clasificación de valores o conjuntos de datos |
Las unidades entrenables que realizan el aprendizaje y las puntuaciones reales tienen los llamados hiperparámetros utilizados por los científicos de datos para ajustar el comportamiento del algoritmo. En combinación con los Flujos de trabajo, el módulo de machine learning es una herramienta integral para predecir fallas y optimizar el funcionamiento de los activos físicos y los servicios comerciales.
Existen algoritmos bien conocidos bajo el módulo de aprendizaje automático: regresión lineal, regresión vectorial de soporte, árbol de decisión REP, bosque aleatorio, perceptrón multicapa (red neuronal predictiva), clasificador ingenuo de bayes y muchos más.
Las unidades capacitables abordan el modelo de datos unificados AggreGate y, por lo tanto, interactúan con cualquier módulo, dispositivo y fuente de datos dentro de la plataforma. Las unidades también pueden funcionar en modo de aprendizaje incremental, obteniendo actualizaciones del modelo sobre la marcha una vez que los datos nuevos llegan en forma de eventos del sistema o del dispositivo.
La creación de Scripting en R y Python mejora la funcionalidad de la etapa de filtrado de datos y el proceso de aprendizaje en sí.
