Seeq kondigt beschikbaarheid aan van R22 en bètaversie van Seeq Data Lab

3 maart 2020

Seeq Corporation, een aanbieder op het gebied van geavanceerde analytics software voor productie en Industrial Internet of Things (IIoT), kondigt op het ARC Industry Forum 2020 de beschikbaarheid aan van hun nieuwste release, R22, en de bètaversie van Seeq Data Lab.

De toepassingen van Seeq omvatten Workbench voor het eenvoudige gebruik van geavanceerde analytics, Organizer voor het publiceren van inzichten in rapporten en dashboards, en nu Seeq Data Lab voor toegang tot Python bibliotheken.

Deze applicaties stellen engineers en wetenschappers in procesproductiebedrijven in staat om snel te analyseren, te voorspellen, samen te werken en inzichten te delen teneinde de bedrijfsvoering en de bedrijfsresultaten te verbeteren.

Data governance

Nieuwe R22-functies ondersteunen initiatieven en prioriteiten op het gebied van enterprise data governance om zo het gebruik van Seeq analytics in grote organisaties verder uit te breiden. Zo houdt Seeq Integrated Security zich bijvoorbeeld aan de OSIsoft PI securitybeperkingen voor PI datatoegang en faciliteert het beheerders om signaalniveaurechten in te stellen op data in historians en andere tijdreeksdataopslag. Elke gebruiker heeft zo dus alleen toegang tot de data die hij/zij nodig heeft, wat de compliance van de datatoegang vergemakkelijkt.

Extra R22-functies waar Seeq-gebruikers om vragen, zijn onder andere:

  • Verbeterde Scatterplot in Workbench: conditionele filtering en meer displayopties helpen gebruikers om sneller relaties tussen signalen te vinden.
  • NOAA Weather Service Connector: data van de National Weather Service API kunnen eenvoudig worden geïntegreerd in Seeq analytics.
  • Multi-user Awareness: het is makkelijk te weten wanneer andere gebruikers hetzelfde Worksheet of Topic aan het bekijken, bewerken of presenteren zijn.

Beta-versie

Seeq Data Lab, nu in bèta, werd gestimuleerd door Mark Derbecker, Seeq ́s Vice President of Engineering, als reactie op verzoeken van Seeq gebruikers om toegang te krijgen tot Python machine learning algoritmes, en verzoeken van datawetenschappers om gebruik te maken van de Seeq functionaliteit.

“Ons doel is om alle barrières weg te nemen voor procestechnici die hun Seeq analytics inspanningen willen uitbreiden naar het rijke ecosysteem van de Python bibliotheken”, vertelt Derbecker. “Tegelijkertijd stelt Seeq Data Lab datawetenschappers in staat om direct deel te nemen aan de procesdata analytics.”

Jupiter en Python

Seeq Data Lab is gebouwd op Jupyter Notebooks en een Seeq Python bibliotheek, genaamd Spy, om toegang te krijgen tot de Seeq functionaliteit, en het wordt beheerd door dezelfde beheerfuncties als andere Seeq applicaties. Het resultaat is een uitgebreide set ervaringen voor procestechnici die zich bezighouden met de analyse van tijdreeksdata, inclusief het bekijken en rapporteren van data in Seeq Organizer, geavanceerde analytics met Seeq Workbench en uitbreiding van de analytics mogelijkheden met Python bibliotheken in Seeq Data Lab. Seeq Data Lab stelt datawetenschappers verder in staat om inzichten te vinden met behulp van machine learning algoritmen en bibliotheken, maakt het voor systeemintegratoren mogelijk om aangepaste analytics voor hun klanten te maken, en biedt leveranciers van bedrijfsmiddelen de gelegenheid om hun remote monitoring- en predictieve analytics services voor klanten te verrijken.

Alle browsergebaseerde Seeq applicaties – Organizer, Workbench en Data Lab – maken verbinding met een gedeelde Seeq server om samenwerking mogelijk te maken, toegang te krijgen tot aangesloten databronnen en om administratieve controle mogelijk te maken. Zo kunnen bijvoorbeeld graphics die zijn gemaakt in Data Lab worden bekeken in Organizer Topics, zijn data die zijn gemodelleerd in Workbench toegankelijk voor gebruikers van Data Lab en zijn de resultaten van het Data Lab algoritme beschikbaar voor gebruik in de andere Seeq applicaties. Voorbeelden van use cases voor procestechnici en datawetenschappers die Seeq Data Lab gebruiken zijn onder andere:

  • Geavanceerde modellen: Python bibliotheken voor integratie van Neural Network, Random Forest, K- means en andere algoritmen
  • Custom visualisaties: Python bibliotheken voor de weergave van specifieke datatypes en berekeningen kunnen worden opgenomen in Data Lab analytics
  • Non-time series data: Python bibliotheken maken analytics mogelijk die bevolkingsstatistieken, data look- ups en multidimensionale data omvatten.

 

Robbert Hoeffnagel

Robbert Hoeffnagel

Editor and consultant @ Belgium Cloud, DatacenterWorks, InfosecurityMagazine.be, Green IT Amsterdam and Mepax

Pin It on Pinterest

Share This