這篇文章由 Clearly 的機器學習團隊負責人 Ziv Pollak 和機器學習工程師 Sarvi Loloei 共同撰寫。本文中的內容和觀點屬於第三方作者，AWS 不對本文的內容或準確性負責。 作為線上購物的先驅，Clearly 於 2000 年推出了他們的第一個網站。從那時起，我們已成長為世界上最大的線上眼鏡零售商之一，為加拿大、美國、澳大利亞和紐西蘭的客戶提供眼鏡，太陽鏡、隱形眼鏡和其他眼部保健產品。通過消除視力不佳的使命，Clearly 致力於讓每個人都能負擔得起和使用眼鏡。創建優化的...

預測性維護 (Predictive maintenance) 有助於企業延長設備年限能否延長，藉由讓生產系統更加可靠，來減少設備的停機時間。在本系列文的前 2 篇文章中（第一部分和第二部分在此，歡迎讀者閱讀），我們確定了企業可能會想部署預測系統的原因，並說明了一般匯入預測系統的感應器和資料類型。在本系列文的第三篇也是最後一篇的文章中，我們將會解釋我們如何從 Google Cloud Platform (GCP) 各項產品中，建立一個完整的預測性維護參考解決方案，包括Cloud IoT Core、...

近年來，名為工業 4.0 的現象持續在製造業帶動轉變：工廠變得越來越「聰明」。因此，工廠在獲得技術工具的情況下，努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起，而使工廠更聰明的第一步，就是啟用「預測性維護（PdM）」。 「預測性維護」著重識別傳感器和產量資料中的固定模式，這些模式代表設備狀態的變化，通常是特定設備的磨損。借助預測性維護功能，公司可以確定資產的剩餘價值，並準確確定製造工廠、機器、元件或零件何時可能發生故障、需要更換。 本系列文章共 3 篇，在第一篇文章中，我們將解...

在系列文的第一篇中，我們為大家科普了預測性維護 (predictive maintenance) ；預測性維護會識別感應器和產量資料中的特定模式，這些模式會顯示設備狀況的變化（特定的穿戴式裝備）。借助預測性維護功能，公司可以確定資產的剩餘量，並準確預測機器、組件或零件何時可能發生故障需要更換。 在我們的系列文的第二篇，我們將解釋一些資料探索技術，對機器學習的類別進行比較，並以範例來探討執行「預測性維護」時的一些公式和指標。 一、資料探索 資料探索 (data exploration) 階段的目標...

「即時串流資料」已逐漸成為大勢所趨。根據 IDC 預測，到了 2025 年，有 25% 的資料都將會以「即時」(real-time) 的形式存在。隨之而來的，就是企業也會藉由即時資料來輔助決策。那究竟是什麼改變，帶動了這樣的趨勢呢？數位化的加速是直接因素之一。舉例來說，這些「即時資料」，可能來自各種行動裝置、數位通訊、電子商務、網路購物或數位媒體，甚至是工廠內的物聯網設備⋯⋯等。 對企業來說，未來的營運挑戰之一，就是要能駕馭這些即時串流資料，並借助資料洞察，來剖析市場、提高競爭力，更重要的是，改...