Prevedere dinamicamente la tendenza dei cambiamenti in importanti indicatori di produzione industriale e consumo attraverso modelli di previsione delle serie temporali e migliorare le capacità normative.

Utilizzando meccanismi di processo, big data basati sulla conoscenza e modelli di algoritmi AI, è possibile ottenere un avviso rapido dinamico dei parametri di processo per aiutare gli ingegneri a identificare rapidamente i problemi.

Stabilire una libreria di campioni di guasto e ottenere analisi e diagnosi autonome dei guasti delle apparecchiature attraverso il confronto in tempo reale dello stato dell'apparecchiatura e dei campioni di guasto.

Stabilindo un modello di correlazione delle serie temporali tra la qualità del prodotto e i parametri di processo, viene stabilita una catena di tracciabilità della qualità del prodotto per identificare i colli di bottiglia dei difetti di qualità e ridurre il tasso di prodotti difettosi.

Integrando machine learning, teoria del controllo ed esperienza operativa per costruire un metodo di controllo multi driver che risolve scenari che il controllo convenzionale non può gestire.

Collegando il modello del dispositivo al modello dei benefici, la pianificazione dinamica dell'ottimizzazione viene effettuata con gli obiettivi di rendimento elevato, alta qualità e basso consumo, ottenendo un funzionamento ottimizzato ed efficiente della fabbrica.