Conclusiones clave
La detección de anomalías por IA es una tecnología que encuentra secciones que se desvían del rango normal y reduce la cantidad de objetos que los humanos ven primero. En los datos de los sensores de ganado, se pueden mostrar como candidatos cambios repentinos en la concentración, repetición del mismo valor durante mucho tiempo, deriva a largo plazo, interrupción de la comunicación y patrones que no coinciden con la temperatura, la humedad y la ventilación. La aparición de una alarma no confirma una fuga de gas o una falla de reducción. Los fenómenos del mundo real, las fallas de los sensores, el mantenimiento y los cambios operativos pueden producir señales similares.
¿Por qué utilizar reglas y modelos juntos?
La verificación basada en reglas es efectiva para problemas que son fáciles de explicar, como fuera de rango, tasa de cambio, valores fijos y faltantes. Cuando los patrones normales varían según la hora del día, la estación y las condiciones de cría, los modelos estadísticos o el aprendizaje automático ayudan a encontrar cambios complejos. Inicialmente, es fácil identificar falsas alarmas y omisiones utilizando la regla como base y comparando los intervalos adicionales que encuentra el modelo.
Las entradas del modelo pueden requerir eventos como temperatura, humedad, ventilación, estado del dispositivo, alimentación y limpieza, así como concentración. A medida que cambian los períodos de entrenamiento y las condiciones de campo, la definición de normal cambia, por lo que administramos las versiones y los umbrales del modelo. Los operadores verifican las alarmas con registros de campo y registros de calibración y dejan resultados de evaluación. Los casos confirmados se utilizarán en la próxima evaluación del modelo, pero los datos históricos no deben modificarse después para que los resultados se vean bien.
Lista de verificación de aplicaciones de campo
Primero defina el tipo de anomalía, los procedimientos de respuesta y la persona alerta.
Conserve versiones de reglas, modelos, umbrales y datos de entrenamiento.
Las falsas alarmas, los resultados de no detección y los resultados del criterio del operador se evalúan periódicamente.
Preguntas frecuentes
¿Es mejor el sistema con más alertas de IA?
No. Demasiadas alertas pueden hacer que pierda señales importantes. Las falsas alarmas y la no detección deben evaluarse juntas y ajustarse a un nivel al que se pueda responder.
¿Puedo utilizar datos sin etiquetar?
Los métodos no supervisados pueden encontrar candidatos, pero no nos dicen la causa de una anomalía. Se requiere revisión in situ y posterior etiquetado.
Justificación y limitaciones
Hicimos referencia a las recomendaciones de la EPA de EE. UU. para la verificación automatizada de datos y la verificación manual y a los Principios de IA confiable del NIST. Este artículo explica conceptos técnicos y no hace afirmaciones sobre el rendimiento o la precisión del diagnóstico de campo de ningún modelo en particular.