公用设施资产健康：随着全球能源消耗的持续增长，电力传输资产的数量预计也将增长。这一预测分析模型被训练用于提高公用设施的服务可靠性。通过英特尔®oneAPI数据分析库（Intel®
oneAPI Data Analytics Library），它使用经英特尔优化的XGBoost算法，基于34项属性和超过1,000万个数据点，对电线杆的使用状况进行建模1。数据类型包括资产使用年限、机械性能、地理空间数据、检查报告、制造商、先前的维修和维护历史以及断电记录。该预测性资产维护模型会不断学习新提供的数据，如新的电线杆制造商、断电和其他条件变化。
预测性公共设施分析参考套件（Predictive Utility Analytics Reference Kit），测量于2022年6月29日。硬件配置：微软Azure
Standard D4_v5，操作系统：Ubuntu 20.04.4 LTS（Focal Fossa），8 X英特尔®至强®Platinum 8370C CPU
@ 2.80GHz，2线程/核, 4核/插槽，1插槽。软件配置：配置1（Python v3.9，Scikit-learn v 1.0.2，Xgboost
v0.81），配置2（英特尔®发行版Python 3.9.12 2022.0.0，Scikit-learn 0.24.2，英特尔®Scikit-learn扩展包
2021.5.1，Xgboost 1.4.3，daap4py 2021.6.0）。其他详细信息见https://github.com/oneapi-src/predictive-health-analytics。结果可能有所不同。
2视觉质量检测套件（Visual Quality Inspection Reference Kit），测量于2022年6月29日。硬件配置：微软Azure
Standard D4_v5，操作系统：Ubuntu 20.04.4 LTS（Focal Fossa），4 X英特尔®至强®Platinum 8370C CPU
@ 2.80GHz，2线程/核，2核/插槽，1插槽。软件配置：配置1（PyTorch v1.8.0），配置2（英特尔®PyTorch扩展包
v1.8.0，英特尔®神经网络压缩器v1.12，英特尔®发行版OpenVINO工具2021.4.2）。其他详细信息见https://github.com/oneapi-src/visual-quality-inspection。结果可能有所不同。
3客服机器人参考套件（Customer Chatbot Reference Kit），测量于2022年6月22日。硬件配置：微软Azure
Standard D4_v5，操作系统：Red Hat Enterprise Linux Server 7.9，4 X英特尔®至强®Platinum 8370C
CPU @ 2.80GHz, 2线程/核, 2核/插槽，1插槽。软件配置：配置1（PyTorch v1.11），配置2（PyTorch
v1.11.0，英特尔®PyTorch扩展包 v1.11.200，英特尔®神经网络压缩器v1.12）。其他详细信息见https://github.com/oneapi-src/customer-chatbot。结果可能有所不同。
4智能索引参考套件（Intelligent
Indexing Reference Kit），测量于2022年6月22日。硬件配置：亚马逊AWS
m6i.xlarge，操作系统：Red Hat Enterprise Linux Server 7.9，4 X英特尔®至强®Platinum 8370C CPU
@ 2.80GHz, 2线程/核, 2核/插槽，1插槽。软件配置：配置1（Pandas, Scikit-learn），配置2（英特尔®AI Analytics
Toolkit v 2021.4.1，英特尔®Scikit-learn扩展包，英特尔®发行版Modin）。其他详细信息见https://github.com/oneapi-src/intelligent-indexing。结果可能有所不同。
