Industry 4.0 aims to optimize the manufacturing environment by leveraging new technological advances, such as new sensing capabilities and artificial intelligence. The DRAEM technique has shown state-of-the-art performance for unsupervised classification. The ability to create anomaly maps highlighting areas where defects probably lie can be leveraged to provide cues to supervised classification models and enhance their performance. Our research shows that the best performance is achieved when training a defect detection model by providing an image and the corresponding anomaly map as input. Furthermore, such a setting provides consistent performance when framing the defect detection as a binary or multiclass classification problem and is not affected by class balancing policies. We performed the experiments on three datasets with real-world data provided by Philips Consumer Lifestyle BV.

Quality control is a crucial activity performed by manufacturing companies to ensure their products conform to the requirements and specifications. The introduction of artificial intelligence models enables to automate the visual quality inspection, speeding up the inspection process and ensuring all products are evaluated under the same criteria. In this research, we compare supervised and unsupervised defect detection techniques and explore data augmentation techniques to mitigate the data imbalance in the context of automated visual inspection. Furthermore, we use Generative Adversarial Networks for data augmentation to enhance the classifiers' discriminative performance. Our results show that state-of-the-art unsupervised defect detection does not match the performance of supervised models but can be used to reduce the labeling workload by more than 50%. Furthermore, the best classification performance was achieved considering GAN-based data generation with AUC ROC scores equal to or higher than 0,9898, even when increasing the dataset imbalance by leaving only 25\% of the images denoting defective products. We performed the research with real-world data provided by Philips Consumer Lifestyle BV.

我们建议使用两层机器学习模型的部署来防止对抗性攻击。第一层确定数据是否被篡改，而第二层解决了域特异性问题。我们探索三组功能和三个数据集变体来训练机器学习模型。我们的结果表明，聚类算法实现了有希望的结果。特别是，我们认为通过将DBSCAN算法应用于图像和白色参考图像之间计算的结构化结构相似性指数测量方法获得了最佳结果。

在这项研究中，我们开发了机器学习模型，以预测废物到燃料植物的未来传感器读数，这将积极控制工厂的运营。我们开发了可预测传感器读数30和60分钟的模型。使用历史数据对模型进行了培训，并根据在特定时间进行的传感器读数进行预测。我们比较了三种类型的模型：（a）仅考虑最后一个预测值的a n \“ aive预测，（b）基于过去的传感器数据进行预测的神经网络（我们考虑了不同的时间窗口尺寸以进行预测）和（c）由我们开发的一组功能创建的梯度增强树回收剂。我们在加拿大的一家废物燃料工厂上开发并测试了模型。我们发现提供的方法（c）提供了最佳结果，而方法（b）提供了不同的结果，并且无法始终如一地超越n \“ aive”。

质量控制是制造业企业进行的至关重要的活动，以确保其产品符合质量标准并避免对品牌声誉的潜在损害。传感器成本下降和连接性使制造业数字化增加。此外，人工智能可实现更高的自动化程度，减少缺陷检查所需的总体成本和时间。这项研究将三种活跃的学习方法（与单一和多个牙齿）与视觉检查进行了比较。我们提出了一种新颖的方法，用于对分类模型的概率校准和两个新的指标，以评估校准的性能而无需地面真相。我们对飞利浦消费者生活方式BV提供的现实数据进行了实验。我们的结果表明，考虑到p = 0.95的阈值，探索的主动学习设置可以将数据标签的工作减少3％至4％，而不会损害总体质量目标。此外，我们表明所提出的指标成功捕获了相关信息，否则仅通过地面真实数据最适合使用的指标可用。因此，所提出的指标可用于估计模型概率校准的质量，而无需进行标签努力以获取地面真相数据。

能源基础架构的数字转换实现了机器学习模型通常支持的新的，数据驱动的应用程序。但是，在现代数据驱动管道中的域特定数据转换，预处理和管理尚待解决。在本文中，我们对能够支持设计功能管理解决方案的通用数据模型进行了首次研究，这些解决方案是开发基于ML的能源应用中最重要的组成部分。我们首先提出了一种针对能源应用的数据模型的分类法，请说明该模型如何支持功能的设计及其后续的专用功能商店的管理。使用短期预测数据集，我们展示了设计更丰富的数据模型和工程性能的功能的好处。最后，我们基准了三个互补功能管理解决方案，包括适合时间序列的开源功能商店。

能源管理系统（EMS）依靠（非）感知负载监控（N）ILM来监视和管理设备，并帮助居民更加节能，因此更节俭。由于对相对有限的数据进行了训练和评估，因此（n）ILM最有前途的机器学习解决方案的普遍性以及转移潜力尚未完全理解。在本文中，我们提出了一种基于时间序列和转移学习的维度扩展的建筑EMS（BEM）（BEM）的新方法。我们对5个不同的低频数据集进行了广泛的评估。提出的使用视频转换和深度学习体系结构的特征维度扩展可在数据集中获得29个设备的平均加权F1得分为0.88，并且与最先进的图像相比，计算效率高达6倍。研究％的跨数据库转移学习方法的适用性，我们发现1）我们的方法的平均加权F1得分为0.80，而与非转移方法相比，模型训练的时期较少3倍，2 ）只有230个数据样本即可达到0.75的F1得分，3）我们的转移方法的优于最先进的精确降低，最多可在未见电器上降低12个百分点

质量控制是制造公司进行的关键活动，以验证产品一致性的要求和规范。标准化质量控制可确保所有产品在相同的标准下进行评估。传感器和连接成本降低，使得制造的数字化增加，提供了更大的数据可用性。这些数据可用性促使人工智能模型的开发，允许在检查产品时更高的自动化程度和减少偏差。此外，增加的检查速度降低了缺陷检查所需的总成本和时间。在这项研究中，我们比较五个流式机器学习算法，应用于利用飞利浦消费者生活方式BV提供的真实数据的视觉缺陷检查。此外，我们将它们与流在流动的主动学习背景中进行比较，这减少了真实环境中的数据标签工作。我们的研究结果表明，对于最坏情况，主动学习将数据标签努力降低了近15％，同时保持可接受的分类性能。使用机器学习模型进行自动化视野预计将加快高达40％的质量检验。

使用最后一英里无线连接的终端设备的数量随着智能基础设施的上升而大大增加，并且需要可靠的功能来支持平滑和高效的业务流程。为了有效地管理此类大规模无线网络，需要更先进和准确的网络监控和故障检测解决方案。在本文中，我们使用复制图和克朗尼亚角场进行无线异常检测的基于图像的表示技术的第一次分析，并提出了一种启用精确异常检测的新的深度学习架构。我们详细阐述了开发资源意识架构的设计考虑因素，并使用时间序列提出新模型以使用复制图来实现图像转换。我们表明，所提出的模型a）以最多14个百分点的基于语法角字段优异的型号，b）使用动态时间翘曲高达24个百分点，c）优于24个百分点的典型ML模型，C）优于或与主流架构相表现出如AlexNet和VGG11的同时具有<10倍的权重和高达$ \其计算复杂度的8倍，而d）优于各个应用面积的最新状态高达55个百分点。最后，我们还在随机选择的示例上解释了分类器如何决定。

超参数优化是识别给定的机器学习模型的适当的超参数配置的过程。对于较小的数据集，可以进行详尽的搜索；但是，当数据大小和模型复杂性增加时，配置评估的数量成为主要计算瓶颈。解决此类问题的有希望的范式是基于替代物的优化。此范式基础的主要思想考虑了超参数空间与输出（目标）空间之间关系的增量更新模型；该模型的数据是通过评估主学习引擎来获得的，例如基于计算机的模型。通过学习近似超参数目标关系，可以使用替代（机器学习）模型来评分大量的超参数配置，并探索除直接机器学习引擎评估的配置空间的一部分。通常，在优化初始化之前选择替代物，并且在搜索过程中保持不变。我们调查了在优化本身期间代孕物质的动态切换是否是选择最合适的基于计算机的大规模在线推荐的最合适的分解模型的实用相关性的明智概念。我们对包含数亿个实例的数据集进行了基准测试，以针对既定基线，例如随机森林和高斯基于过程的替代物。结果表明，替代转换可以提供良好的性能，同时考虑学习引擎评估较少。