Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Tata Consultancy Services desarrolla una solución de mantenimiento predictivo de vehículos distribuida y basada en la nube
Solución para optimizar la eficiencia y rentabilidad del mantenimiento predictivo
MATLAB integra perfectamente todo el proceso de Machine Learning: desde placas de cálculo integradas hasta la nube.
Resultados principales
- Reducción del coste de Machine Learning basado en la nube mediante la implementación de modelos de IA en placas de cálculo integradas
- El uso de herramientas de MATLAB aceleró el proceso de desarrollo, entrenamiento e implementación de modelos, lo que resultó en un importante ahorro de tiempo.
- Las herramientas de low-code y la app Diagnostic Feature Designer permitieron extraer características y desarrollar algoritmos
Los vehículos definidos por software generan grandes cantidades de datos que se pueden utilizar para tareas críticas de mantenimiento predictivo. Sin embargo, enviar todos estos datos a la nube para su procesamiento puede resultar ineficiente y costoso. Tata Consultancy Services (TCS), una empresa de TI con sede en India, utilizó MATLAB® para crear una solución de Machine Learning distribuido para el mantenimiento predictivo de vehículos.
TCS desarrolló una arquitectura que procesa la mayoría de los datos de los sensores localmente, con modelos de Machine Learning que se ejecutan en placas de cálculo integradas al vehículo y envían características calculadas a la nube para realizar análisis con alta carga computacional. Cuando se detecta un fallo, el modelo del dispositivo alerta a la nube, que luego puede ejecutar modelos de predicción de fallos más complejos.
El equipo de TCS utilizó herramientas de MATLAB para visualizar los datos e identificar patrones útiles. Parallel Computing Toolbox™ ayudó a acelerar este proceso dividiendo los datos y procesándolos simultáneamente en fragmentos. Con Statistics and Machine Learning Toolbox™ y las apps Classification Learner, Regression Learner y Diagnostic Feature Designer, el equipo exploró datos de sensores y de series temporales para descubrir características predictivas, entrenar diferentes modelos de Machine Learning y comparar su desempeño. Para visualizar las conclusiones, desarrollaron una app y la implementaron en Microsoft® Azur® con MATLAB Web App Server™.
