Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Tata Consultancy Services développe une solution de maintenance prédictive de véhicules distribuée et basée sur le cloud
La solution améliore l'efficacité et la rentabilité de la maintenance prédictive
MATLAB intègre de manière transparente l’ensemble du pipeline de Machine Learning : des ordinateurs embarqués au cloud.
Principaux résultats
- Le déploiement de modèles d'IA sur des ordinateurs embarqués a permis la réduction des coûts du Machine Learning basé sur le cloud
- L'utilisation des outils MATLAB a accéléré le processus de développement, d’apprentissage et de déploiement des modèles, ce qui a permis de réaliser des économies de temps considérables
- Les outils low code et l'application Diagnostic Feature Designer ont permis l'extraction de fonctionnalités et le développement d'algorithmes
Les véhicules définis par logiciel génèrent d’énormes quantités de données qui peuvent être utilisées pour des tâches critiques de maintenance prédictive. Cependant, envoyer toutes ces données vers le cloud pour traitement peut s’avérer inefficace et coûteux. Tata Consultancy Services (TCS), une société informatique basée en Inde, a utilisé MATLAB® pour créer une solution de Machine Learning distribuée, pour la maintenance prédictive des véhicules.
TCS a développé une architecture qui traite localement la plupart des données des capteurs, avec des modèles de Machine Learning exécutés sur les ordinateurs de bord du véhicule et envoyant des caractéristiques calculées au cloud, pour des analyses plus intensives en calcul. Lorsqu'une panne est détectée, le modèle embarqué alerte le cloud, qui peut alors exécuter des modèles de prédiction de panne plus complexes.
L’équipe TCS a utilisé les outils MATLAB pour visualiser les données et identifier les patterns utiles. Parallel Computing Toolbox™ les a aidés à accélérer ce processus en divisant les données et en les traitant simultanément en paquets. Avec Statistics and Machine Learning Toolbox™, les applications Classification Learner, Regression Learner et Diagnostic Feature Designer, l'équipe a exploré les données des capteurs et des séries chronologiques pour découvrir des caractéristiques prédictives, former différents modèles de Machine Learning et comparer leurs performances. Pour visualiser les informations, ils ont développé une application et l'ont déployée sur Microsoft® Azure® avec MATLAB Web App Server™.
