Hands-on Workshop: Implementing AI Use Cases with Industrial Data

• Zrozumienie procesów wytwórczych lub przemysłowych
• Doświadczenie w Python i podstawowe umiejętności w zakresie uczenia maszynowego
• Możliwość pracy ze strukturowanymi i niestrukturowanymi danymi

Grupa docelowa

• Zespoły wielofunkcyjne
• Inżynierowie
• Naukowcy danych
• Specjaliści IT

Implementacja AI Use Case jest praktycznym, projektowym podejściem do zastosowania uczenia maszynowego, komputerowego widzenia i analizy danych do rozwiązywania rzeczywistych wyzwań przemysłowych za pomocą rzeczywistych lub symulowanych zbiorów danych.

To prowadzone przez instruktora szkolenie (online lub na miejscu) jest przeznaczone dla zespołów międzydyscyplinarnych na poziomie średnim, którzy chcą wspólnie wdrożyć przypadki użycia AI zgodne z ich celami operacyjnymi i zdobyć doświadczenie w pracy z przemysłowymi ścieżkami danych.

Na koniec tego szkolenia uczestnicy będą mogli:

• Wybierać i określać praktyczne przypadki użycia AI z dziedziny operacji, jakości lub utrzymania.
• Współpracować między rolami w celu opracowania rozwiązań uczenia maszynowego.
• Obsługiwać, czyścić i analizować różnorodne przemysłowe zestawy danych.
• Przedstawić działający prototyp rozwiązania z wbudowanym AI na podstawie wybranego przypadku użycia.

Format kursu

• Interaktywne wykłady i dyskusje.
• Ćwiczenia i prace projektowe w grupach.
• Praktyczna implementacja w żywym środowisku laboratoryjnym.

Opcje dostosowywania kursu

• Aby zapytać o dostosowane szkolenie dla tego kursu, skontaktuj się z nami w celu uzgodnienia.

Wprowadzenie i wybór zespołu Use Case

• Przegląd sztucznej inteligencji w środowiskach przemysłowych
• Kategorie przypadków użycia: jakość, konserwacja, energia, logistyka
• Tworzenie zespołu i określanie celów projektu

Zrozumienie i przygotowanie danych przemysłowych

• Rodzaje danych przemysłowych: szeregi czasowe, tabelaryczne, obrazy, tekst
• Zbieranie, czyszczenie i przetwarzanie danych
• Eksploracyjna analiza danych za pomocą Pandas i Matplotlib

Wybór modelu i prototypowanie

• Wybór między regresją, klasyfikacją, klasyfikacją grupową lub wykrywaniem anomalii
• Trenowanie i ocena modeli za pomocą Scikit-learn
• Używanie TensorFlow lub PyTorch do zaawansowanego modelowania

Wizualizacja i interpretacja wyników

• Tworzenie intuicyjnych panelów sterowania lub raportów
• Interpretacja metryk wydajności (dokładność, precyzja, pełność)
• Dokumentowanie założeń i ograniczeń

Symulacja wdrażania i opinie

• Symulowanie scenariuszy wdrażania na brzegu/chmurze
• Zbieranie opinii i poprawianie modeli
• Strategie integracji z działami operacyjnymi

Rozwój projektu końcowego

• Ukończenie i testowanie prototypów zespołu
• Recenzja rówieśnicza i wspólne debugowanie
• Przygotowanie prezentacji projektu i podsumowania technicznego

Prezentacje zespołów i podsumowanie

• Prezentowanie koncepcji i wyników rozwiązań AI
• Refleksja grupy i lekcje nauczone
• Plan skalowania przypadków użycia w organizacji

Podsumowanie i następne kroki