大公司在2018年选择机器学习的5个原因

时间:2019-03-25 09:09:35 阅读:40次

  机器学习越来越多地在各行各业中流行。制造商更感兴趣的是寻找新的增长方式,扩大产品质量,同时与客户进行短期生产。新的商业模式经常带来影响现有ERP,CRM和PLM(产品生命周期管理)系统的新产品线的悖论,因为客户绩效需要不断改进。目前,正在增加新产品的生产和交付窗口。

为什么大公司在2018年选择机器学习
< /图>

  

以下是人们为基于绩效的制造采用机器学习的五种方式:

  

    半导体输出改进

      改进的半导体输出功率高达30%,这降低了废品率并优化了ML可以实现的制造步骤。将半导体制造中的功耗降低多达30%,基于机器学习根本原因分析降低废品率,并通过简化的AI优化??降低测试成本,其中机器学习将改善半导体制造。麦肯锡还发现,使用工业设备的人工智能进行预测性维护可以使年度维护成本降低10%,停机时间缩短20%,检测成本降低25%。

      

      另请阅读:TensorFlow:机器学习的尖端框架

      

      库存跟踪,供应链可视性和库存优化

        资产管理,供应链管理和库存管理是人工智能,机器学习和物联网的关键领域今天的制造业。世界经济论坛(WEF)和AT Kearney最近关于生产未来的研究得出结论,制造商正在探索如何结合新技术,如人工智能和机器学习,以提高库存跟踪,供应链可视性和库存的准确性优化

        预测误差减少
        麦肯锡预测,机器学习将使供应链中的预测误差减少50%,并通过提高产品可用性将收入损失减少65%。供应链是每个制造公司的灵魂。 ML预计将运输和仓储成本和供应链管理分别降低5%至10%和25%至40%。由于ML,可以将库存减少20%到50%。

          

          另请阅读:PyTorch与TensorFlow:选择深度学习框架

          

          自动化库存

            通过机器学习实现库存优化自动化使服务水平提高了16%,库存绩效提高了25%。基于AI的算法和建模以及机器学习优化了所有分配位置的库存规模,同时考虑了影响交付给客户的外部和独立变量。

            缩短测试和校准时间

              一家制造商通过ML准确预测校准和测试结果,将测试和校准时间缩短了35%。该项目的目的是减少移动液压泵生产中的测试和校准时间。该方法着重于使用一组机器学习模型来预测测试结果并随着时间的推移学习。该过程的下一个工作流程能够隔离瓶颈,加快测试和校准时间。

              阅读更多关于机器学习用例 - 物联网,预测性维护,情感分析和推荐

              关于:Binary Informatics是一家软件开发公司,总部位于印度诺伊达,并在美国湾区设有开发办事处。我们是一支60人的团队,我们始终致力于为客户提供高质量的服务。我们提供网站开发,Web应用程序开发,产品开发,移动应用程序,产品工程,企业应用程序,大数据和解决方案的解决方案。 BI解决方案,商业数字化和自动化,门户,电子学习,电子商务,社交网络,CRM,CMS,UI / UX等

大公司在2018年选择机器学习的5个原因所属专题:机器学习 《大公司在2018年选择机器学习的5个原因》链接:http://www.zhouchuanxiong.net/1435

大公司在2018年选择机器学习的5个原因相关文章