製造業を変革する自動化されたワークフローの革命とは？
現代の製造業者にとって、効率化され自動化されたワークフローは、手動データ管理や設備のダウンタイムなどの課題を克服するために不可欠です。自動化されたワークフローを活用し、予測保守を可能にすることで、製造業者は非効率性と廃棄物を減らすリアルタイムの生産洞察を得ることができます。データのサイロ化の排除と分析のスケーリング能力は、より良い意思決定を可能にし、増大する運用データの量をサポートします。データ駆動の風景では、自動化されたワークフローはビジネス成功のために不可欠となり、データ実践者が反応的な問題解決から積極的なイノベーションへとシフトすることを可能にします。 Databricks Workflows は、データ、分析、AIの統一されたオーケストレーションツールで、ETL、分析、機械学習パイプラインの自動化ワークフローを簡単に定義、管理、監視することで、データチームの増大する要求に対応するのに役立ちます。データインテリジェンスプラットフォームと完全に統合されたWorkflowsは、シンプルなワークフロー定義体験、高
DatabricksとMathworksを使用したMATLABおよびSimulinkモデルのスケーリング
あなたがヘルスケア、航空宇宙、製造業、政府などのどの業界から来ていても、ビッグデータという言葉は見知らぬものではないでしょう。しかし、そのデータが現在のMATLABまたはSimulinkモデルにどのように統合されるかは、今日あなたが直面している課題かもしれません。これが DatabricksとMathworkのパートナーシップ が2020年に構築され、顧客が大規模なデータからより迅速に有意義な洞察を得るための支援を続けている理由です。これにより、エンジニアは新しいコードを学ぶことなくMathworksでアルゴリズム/モデルの開発を続けることができ、Databricks Data Intelligence Platformを利用して、それらのモデルをスケールしてデータ分析を行 い、モデルを反復的に訓練しテストすることができます。 例えば、製造業では、予測保守が重要なアプリケーションです。エンジニアは、MATLABの高度なアルゴリズムを利用して機械データを分析し、潜在的な設備の故障を驚くほど正確に予測することができます
一般主義者から専門家へ：AIシステムの進化は複合AIへ！
複合AIシステムに対する バズ は現実であり、それには十分な理由があります。複合AIシステムは、複数のAIモデル、ツール、システムの最良の部分を組み合わせて、単一のAIでは効率的に対処するのが難しい複雑な問題を解決します。 振り返る：モノリシックからマイクロサービスへ 複合AIシステムの魔法に飛び込む前に、少し戻ってアプリケーション開発がどのように進化してきたかを探ってみましょう。モノリシックなアプリケーションの日々を覚えていますか？これらは巨大な、一体型のソフトウェアシステムで、フロントエンドのインタラクション、バックエンドの処理、データベース管理を一つのコードベース内で処理していました。彼らは強力でしたが、欠点もありました。 モノリシックアーキテクチャの課題: 遅い更新 : アプリケーションの一部を少し修正するだけで、システム全体を再デプロイする必要がありました。 スケーリングの問題 : システムの一部が重負荷になる と、システム全体をスケールアップしなければなりませんでした。 単一の障害点 : 一つのコンポー
AVEVA World Conference：AVEVA＆amp; Databricksによる産業AIの再定義
今後の AVEVA World Conference （10月14日から17日までパリで開催）は、Databricksがこの新しいパラダイムを形成する中心的な役割を果たすことで、産業用AIの未来にとって画期的なイベントになることが予想されます。私たちの 戦略的協力 を基に、DatabricksとAVEVAは、私たちの組み合わせた技術が世界中の産業組織で前例のない結果をもたらしている方法を示す予定です。 セッションのハイライト このカンファレンスで最も期待される瞬間の一つは、Databricksの共同創設者でCTOのMatei ZahariaとAVEVAのCEO、Caspar Herzbergによる共同基調講演です。このセッションでは、産業AIの変革的な可能性と、私たちのパートナーシップがどのように接続された産業エコシステムの基盤を築いているかについて探求します。 出席者は、製造業＆エネルギー部門のDatabricksグローバルインダストリーリーダー、Shiv Trisalが主導するセッションを見逃すことはありませ
「箱の中」を考える：RayとDatabricksで解くビンパッキング問題
序章 ビンパッキング問題は、業界を問わず企業組織に広範な影響を及ぼす古典的な最適化の課題です。この問題の核心は、有限の数のコンテナや「ビン」に一連のオブジェクトを最も効率的に詰め込む方法を見つけることで、目標は無駄なスペースを最小限に抑えることです。 この課題は、実世界のアプリケーションで広く見られます。例えば、出荷や物流の最適化、データセンターやクラウドコンピューティング環境でのリソースの効率的な割り当てなどです。組織はしばしば大量のアイテムやコンテナを扱うため、最適なパッキングソリューションを見つけることで、大幅なコスト削減と運用効率の向上を実現できます。 10Bドル規模の先進的な産業機器メーカーにとって、ビンパッキングは供給チェーンの重要な一部です。この会社では、購入した部品を詰めてもらうために、コンテナをベンダーに送ることが一般的です。これらの部品は、重機や車両の製造プロセスで使用されます。供給チェーンの複雑さが増し、生産目標が変動する中で、パッケージングエンジニアリングチームは、組み立てラインに適切な数
重機メンテナンスへの洞察を革新するGenAI
重機械資産、例えば油田、農業用コンバイン、車両のフリートのメンテナンスは、グローバル企業にとって非常に複雑な課題をもたらします。これらの資産はしばしば世界中に広がっており、そのメンテナンススケジュールやライフサイクルは通常、企業全体のレベルで決定されます。主要なコンポーネントの故障は、1日あたり数百万ドルの収益損失をもたらすだけでなく、顧客への下流への影響も生じます。そのため、多くの企業が、これらの資産が毎日生成するテラバイト単位のデータから洞察を得るために、生成的AIに頼っています。これらの洞察は、停電を予測し、メンテナンス、修理、運用（MRO）のワークフローを改善することで、大幅な時間とコストの節約を実現するのに役立ちます。 Kubrick は、 Databricksのコンサルティングパートナー として、業界を問わずクライアントと協力して、重機械のメンテナンス要件を予測し対応する能力を革新しています。これらの組織は、KubrickとDatabricksの技術と専門知識を活用することで、価値チェーン全体のビジネ
ロールスロイスの画 像生成に Databricks Mosaic AI のパワーを活用する
ロールス・ロイスは、様々なAIプロジェクトにおいて Databricksデータインテリジェンスプラットフォーム の変革的な力を目の当たりにしてきました。その一例として、ロールス・ロイスとDatabricksの協力プロジェクトがあります。このプロジェクトは条件付き敵対的生成ネットワーク（cGAN）の学習プロセスの最適化に焦点を当てており、 Databricks Mosaic AIツール を使用することの多くの利点を実証しています。 このcGAN学習最適化の共同プロジェクトでは、チームは数値、テキスト、画像データの使用を検討しました。主な目標は、ロールス・ロイスの設計空間探索能力を向上させ、パラメトリックモデルの限界を克服することでした。これは、従来の形状モデリングとシミュレーションプロセスを必要とせずに、特定の設計条件を満たす革新的な設計コンセプトの識別と評価を推進するために、過去のシミュレーションデータを再利用できるようにすることで達成されました。 ビデオを見る： ロールスロイスがクラウドベースの生成AI を使用
データ駆動の品質革命！ナレッジグラフ＆生成AIでゲームを変える
Stardogナビン・シャルマとジョー・ピンデルとの共同執筆作品である。 業界を問わず、納品後の失敗に伴うコスト（リコール、保証請求、納品後の信用失墜など）の影響は甚大です。食品業界では、1件あたりの直接的なコストが1,000万ドルを超えることもあります。その影響は多面的で、売上の減少やブランドの評判へのダメージが伴います。ある推定によると、納品後の失敗による売上損失は、顧客1人あたりの平均収益の2,000倍以上に相当します。このような高リスクの状況で不十分な対応や遅いレスポンスが続くと、顧客は競合他社へと流れ、将来の成長を支える酸素を断たれることになります。そのため、品質の悪さによるコストは製造業にとって大きな財務負担であり、場合によっては運営コストの最大40%に達することもあります。 企業は品質問題の早期警告指標をもっと得たいと願っていますが、通常は顧客の苦情が増加した後に初め て問題を把握します。典型的な問題は次のようなものです：週末に顧客からの報告が急増し、製品の品質問題やブランドに対する不満が明らかになり
IoTタイムシリーズ分析をはじめるには？
はじめに モノのインターネット（IoT）は、かつてないほどのデータ量を生成しています。IBMによれば、2025年までに年間のIoTデータ量は約175ゼタバイトに達すると推定されています。これは、数百兆ギガバイトに相当します。Ciscoによると、1ゼタバイトの各ギガバイトがレンガだった場合、中国の万里の長城を258本建設できるほどの量です。 IoTデータのリアルタイム処理は、タイムリーなデータ駆動型の意思決定を可能にし、その真の価値を引き出します。しかし、IoTデータの巨大かつ動的な性質は、多くの組織にとって大きな課題となっています。Databricksでは、これらの障害を認識し、製造業の組織がIoTデータを効果的に処理・分析するための包括的なデータインテリジェンスプラットフォームを提供しています。Databricksのデータインテリジェンスプラットフォームを活用することで、製造業の組織は、IoTデータを実用的な洞察に変え、効率を向上させ、ダウンタイムを削減し、全体的な運用パフォーマンスを向上させることができます。
IoT向けの分散ML
イントロダクション 今日、メーカーの現場でのメンテナンスは、事前対応型よりも事後対応型であることが多く、コストのかかるダウンタイムや修理につながる可能性があります。 これまで、データウェアハウスは、履歴レポートに対して高性能で高度に構造化されたレンズを提供してきましたが、ユーザーには効果的な予測ソリューションが求められていました。 ただし、Databricks データ インテリジェンス プラットフォームを使用すると、企業はデータの同じコピーに対して履歴分析と予測分析の両方を実装できます。 製造業者は、予測メンテナンス ソリューションを活用して、潜在的な問題がビジネス上重要な顧客対応の問題になる前に特定し、対処することができます。 Databricks は、データ準備、モデル トレーニング、根本原因分析レポート用のツールを含む、エンドツーエンドの機械学習ソリューションを提供します。 このブログの目的は、統一されたスケーラブルなアプローチで IoT 異常検出の予測ソリューションを実装する方法を明らかにすることです。