Tangent Works用例

Altair合作伙伴联盟

2

挑战

随着银行客户对移动应用程序的使用增加，对IT资源的需求也随之增加。

不同的区域可能具有这些移动应用程序的独特用法模式，并且可能需要快速扩展IT资源（根据需求）。

解决方案

使用Tim，您可以轻松地重建预测模型，以应对不断变化的市场状况。

蒂姆的缩放功能使其可以并行运行所有不同的模型，从而使银行可以提前预测峰值负载月，并更有效地安排所需的IT资源。

结果

为IT优化节省成本。

减少模型训练时间。

可扩展

3

挑战

行业，公司，城市，家庭……都消耗能源。无论是选择电力，气体还是热力，或者更有可能的是它们的组合 – 我们周围都需要能量。消费者和生产商都可以从准确的未来消费估计中受益匪浅，这至少不是因为批发价格的极端波动迫使市场各方对冲货量风险和价格风险。处理不正确的量估计通常很昂贵，但是准确的估计往往需要数据科学家的工作。这导致了下一个挑战，因为数据科学家很难找到并且很难保留。准确预测未来能源消耗的能力是市场参与者财务业绩的决定性因素。因此，预测也是决策过程的关键输入。

4

解决方案

在这种用例中，机器学习的价值很明显，但必须权衡其引入的成本和努力。为了实现准确的预测，应使用相关的预测因子。Tim自动化了准确预测模型的模型生成，并告诉您哪些输入变量在计算预测中具有最高的相关性。与数据科学家相反，蒂姆在几秒钟而不是几天甚至几周内创建了这些模型。Tim模型生成过程的可扩展性允许同时生成数百个模型。这使宝贵的数据科学家可以专注于他们的专业知识最重要的领域

结果

让我们数量地说。从负载预测的MAPE减少1％（平均平均百分比误差）中，节省了节省的粗略估计，对于峰值负载的1吉瓦，可以节省市场参与者：

长期预测的每年500万欧元，

每年从短期负载预测中€300 000欧元，

每年的短期负载和价格预测，每年60万欧元。

而且这些数字甚至没有考虑到数据科学家能力的节省。

5

挑战

资产的越来越多以及许多行业的竞争不断增长，导致对生产可靠性和正常运行时间的需求增加。机器必须尽可能平稳地运行，因为任何资产的计划外停止都可能导致重大生产损失。

这促使越来越多的公司寻找（远程）对其资产的健康或绩效监控的方法，捕获正常行为并警告机器性能或状况的异常，预计会出现。

解决方案

使用异常检测对资产健康和绩效进行持续监控可提高资产的可靠性和效率，从而降低维护成本和生产损失。最后，它允许资产维护和维修的最佳时机，以便它们可以减少对整体生产的影响并避免机器的灾难性故障。

结果

由于高度自动化，异常快速且可靠的建模算法，TIM可以在有限的时间内构建多个异常检测模型。在这种情况下，它特别有用，因为风资产通常在需要同时监视多个机器的复杂生产线上运行。Tim能够构建模型的速度和频率还允许在任何机器中实时通知可疑行为。

6

挑战

确保产品的强度，质量和耐用性对许多制造商至关重要。因此，产品必须通过质量控制才能检查各种参数。

解决方案

通过使用强大的自动化机器学习来自动计算关键质量参数，可以优化测试过程。

结果

Tim可以使用历史数据自动构建ML模型。用于预测未来值的预测模型也可以用于在生产过程中自动评估参数。

7

挑战

为了优化运营，成本和收入供应链规划师需要最大程度地提高仓库的容量，并在维持服务水平的同时组织库存效率。

出于这个最后的原因，并管理供应或需求公司的任何波动，公司保留最重要商品的安全库存。但是，如果您可以通过强大的自动预测预见到供需的波动，则可以使用安全库存少得多的运营。

供应链的预测误差平均达到30％以上，预测准确性会因不断变化的条件而损害。这使得有挑战性的用例，但有很大的改进潜力。

8

解决方案

公司需要在其库存中持有的预测准确性与安全库存之间存在直接关系。

蒂姆可以非常快速，自动地生成大量一流的预测模型，这些模型能够更好地预测每个商店的需求和产品，从而使您可以减少安全库存，从而可以减少库存成本。

结果

使用Tim InstantML，您可以通过大规模自动AI进行更准确的每周售出的单位数量，从而使您的安全库存可减少高达60％的安全库存，同时保持服务水平。

这直接影响您的库存成本，投资和供应链规划。

9

挑战

各个行业的公司都依靠机器：泵，发动机，电梯，涡轮机等。有些人比其他机器更复杂，但它们肯定有一个共同点 – 材料的退化。在操作的每个周期（时刻）中，组件正在失去其原始物理参数。定期检查，诊断和维护甚至更换是机器操作的重要组成部分。

想象两个极端情况：

维护计划的时间迟到了：该设备将达到故障点并导致操作中断。停机时间的每一分钟都会带来巨大的损失。

维护计划的经常或过早：用于时间和材料的费用高于情况所需的费用。同样，如果要完全更换组件，那么投资资本就不会充分利用其潜力。

10

解决方案

理想的情况是避免给定机器的故障，因此积极主动而不是反应性是许多企业是唯一的选择。此外，在正确的时间行事也具有真正的财务影响。

预测维护解决方案可以为维护提供最佳时间。多亏了来自传感器和AI/ML的数据，几乎可以实时就采取行动的最佳时间获得建议。

结果

Tim可以通过时间序列数据构建自动化的ML模型，并预测剩余时间（剩余使用寿命，rul）或分类设备是否已经在一定时间段内（周期）内发生故障的窗口（区域）中。

来自机器传感器的数据通常以几秒钟甚至毫秒为单位进行采样。Tim可以与从毫秒开始的任何采样率中采样的数据合作。

同样，设置用于生产使用的TIM所需的精力和时间将减少到通常所需的一小部分。蒂姆（Tim）通过设计，可以自动化设置和操作所需的大多数步骤，并提供强大的ML解决方案。