ɫɫ��

Deltan Labs (aiemmin BOMP) käyttää koneoppimista tuottaakseen optimaalisen rajapinnan tehtaanhallinnan loppukäyttäjän ja materiaalien ominaisuuksista saatavan raakatiedon välille teollisessa tuotantoympäristössä. Sen tavoitteena on optimoida materiaalien valinta, suunnittelu ja käsittely kahden oppimiskomponentin avulla: tutkimalla ja hyödyntämällä ”pientä dataa” piilotettujen mallien löytämiseksi. 

Koneoppimisalgoritmi perustuu todennäköisyyspohjaiseen Bayesin päättelyyn, joka tunnetaan myös nimellä Bayesin optimointi, ja se voidaan helposti sovittaa haastaviin ongelmiin monilla insinööritieteiden aloilla, mukaan lukien, mutta ei rajoittuen, seosten suunnittelu, nestemekaniikka, kemialliset reaktiot ja materiaalien käsittely. Lopullinen proof-of-concept on helppokäyttöinen ohjelmistorajapinta kovan luokan tieteeseen, jossa maallikko voi optimoida materiaalien ominaisuuksia ja prosessiparametreja ilman koulutusta. Tämä korvaa prosessin/materiaalin optimointikonsultoinnin tarpeen murto-osalla kustannuksista.