ProMoS NG - Building Intelligence
In ProMoS NG sind über 30 unterschiedliche Algorithmen implementiert. Das System evaluiert die geeigneten Algorithmen komplett automatisiert.
Funktionen
Nutzbare Funktionen
Das BI-Modul von ProMoS NG eröffnet vielfältige Einsatzmöglichkeiten für Machine Learning:
- Erstellen von Aufgaben: Nutzer können erklärende Variablen (z. B. Prozessdatenpunkte), zeitliche Auflösungen und Zeitspannen definieren. Auf dieser Basis wird ein variabler Grenzwert berechnet, der sowohl von den angegebenen Variablen als auch von der zeitlichen Position der Werte abhängt. Das ProMoS-BI-Modul evaluiert dabei eigenständig die optimalen Modelle, um die bestmöglichen Ergebnisse zu gewährleisten.
- Eine weitere Möglichkeit bietet eine speziell eingerichtete Testumgebung: Der Benutzer kann hier eigenständig sämtliche Einstellungen vornehmen, passende ML-Modelle auswählen und die Berechnungen durchführen lassen.
- Produktive Auswertungen: Die Berechnungen werden nicht nur einmalig, sondern in regelmässigen Zyklen durchgeführt. Dadurch wird eine kontinuierliche Überwachung der Variablen ermöglicht.
Modelle
Machine Learning-Modelle
Folgende ML-Algorithmen sind aktuell implementiert:
- AdaBoostRegressor
- BaggingRegressor
- DecisionTreeRegressor
- ExtraTreesRegressor
- GammaRegressor
- GaussianPricessRegressor
- GradientBoostingRegressor
- HistGradientBoostingRegressor
- HuberRegressor
- KNeighborsRegressor
- KernelRigde
- Lars
- LarsCV
- LassoCV
- LassoLarsCV
- LassoLarcIV
- LinearRegression
- LinearSVR
- MLPRegressor
- NUSVR
- OrthoganaMatchingPursuit
- OrthoganaMatchingPursuitCV
- PiecewiseRegressor
- RANSACRegressor
- RadiusNeighborsRegressor
- RandomForestRegressor
- RidgeCV
- SVR
- TheilSenRegressor
- XGBoos