Mit MLOps und AutoML zum erfolgreichen Datenprodukt: In unserem Whitepaper zum kostenfreien Download zeigt MLOps Engineer Simon Steinheber, wie Machine Learning in der industriellen Produktionsplanung funktioniert.
“Wann wissen wir, dass das Modell-Training abgeschlossen ist und wir das fertige Modell deployen können?”. Diese Frage kennen viele Data Scientists. Nach vielen Experimenten in Jupyter Notebooks, um die Modell-Qualität zu verbessern, müssen sie den Code und das Modell-Artefakt produktionsreif machen.
Das nehmen Sie mit:
- Wie gelingt dieser Übergang stressfrei?
- Welche Rolle spielt Jupyter Notebooks im produktiven Machine Learning?
- Warum sollte man bei der anfangs gestellten Frage stutzig werden?
Kosten in der Produktion durch Machine Learning senken
Lagerkosten sind für Industrieunternehmen ein hoher Kostenfaktor in der Produktion. Einen Weg, diese zu optimieren, kann eine AI Plattform eröffnen, über die sich die künftige Nachfrage nach den Produkten vorhersagen lässt.
Wie das funktioniert, erklären wir in unserem Whitepaper anhand eines echten Industrie Use Cases. Ziel war es, in unserem Projekt für einen Kunden in einem ersten Werk für zunächst 100 unterschiedliche Produkte valide Vorhersagen treffen zu können.