Pipeline d'auto-analyse

Auto-Analytics Pipeline: Integrating Big Data Engineering and AI in Vehicle Production fournit une feuille de route complète pour moderniser la fabrication automobile grâce à l'intelligence pilotée par les données. En commençant par l'analyse de rentabilité de l'auto-analyse, le livre explique pourquoi les pipelines de données intégrés sont essentiels à la compétitivité. Il explore les fondements des données dans l'atelier, puis les architectures évolutives pour l'ingestion, l'intégration et le stockage en entrepôt adaptées aux contextes de fabrication. Le traitement des événements en temps réel, l'ingénierie des caractéristiques et la modélisation avancée sont présentés comme les principaux outils de la qualité prédictive, de l'optimisation du rendement et de la surveillance de l'état des actifs. Des chapitres spécialisés couvrent la vision par ordinateur pour les ateliers de carrosserie et de peinture, l'analyse des batteries de véhicules électriques et l'intelligence de la chaîne d'approvisionnement. Le texte met l'accent sur l'analyse prescriptive pour l'automatisation des décisions, tandis que les pratiques MLOps garantissent un déploiement et un suivi robustes des modèles d'IA. Il met également l'accent sur les piliers de la gouvernance tels que la qualité des données, l'observabilité, la sécurité, la confidentialité et la conformité.

Autorentext

Vishwanadham Mandala, responsable de l'ingénierie des données chez Cummins Inc, apporte plus de 20 ans d'expertise en IA/ML, big data et cloud. Membre du Conseil technologique de Forbes et inventeur de plus de 10 brevets, il associe la recherche et l'industrie pour favoriser les usines intelligentes, l'innovation en matière de soins de santé et la durabilité, tout en encadrant les futurs leaders de l'IA.