एआई असामान्यता पहचान तकनीक का परिचय

चाबी छीनना

एआई विसंगति का पता लगाना एक ऐसी तकनीक है जो सामान्य सीमा से भटकने वाले वर्गों को ढूंढती है और उन वस्तुओं की संख्या को कम करती है जिन्हें मनुष्य पहले देखते हैं। पशुधन सेंसर डेटा में, एकाग्रता में अचानक परिवर्तन, लंबे समय तक एक ही मूल्य की पुनरावृत्ति, दीर्घकालिक बहाव, संचार टूटना और तापमान, आर्द्रता और वेंटिलेशन से मेल नहीं खाने वाले पैटर्न को उम्मीदवारों के रूप में प्रदर्शित किया जा सकता है। अलार्म की घटना गैस रिसाव या शमन विफलता की पुष्टि नहीं करती है। वास्तविक दुनिया की घटनाएं, सेंसर विफलताएं, रखरखाव और परिचालन परिवर्तन समान संकेत उत्पन्न कर सकते हैं।

नियमों और मॉडलों का एक साथ उपयोग क्यों करें?

नियम-आधारित जाँच उन समस्याओं के लिए प्रभावी है जिन्हें समझाना आसान है, जैसे कि सीमा से बाहर, परिवर्तन की दर, निश्चित मान और गायब होना। जब सामान्य पैटर्न दिन के समय, मौसम और पालन-पोषण की स्थितियों के आधार पर भिन्न होते हैं, तो सांख्यिकीय मॉडल या मशीन लर्निंग जटिल परिवर्तनों को खोजने में मदद करते हैं। प्रारंभ में, नियम को आधार रेखा के रूप में उपयोग करके और मॉडल द्वारा पाए गए अतिरिक्त अंतरालों की तुलना करके गलत अलार्म और चूक की पहचान करना आसान है।

मॉडल इनपुट के लिए तापमान, आर्द्रता, वेंटिलेशन, डिवाइस की स्थिति, भोजन और सफाई, साथ ही एकाग्रता जैसी घटनाओं की आवश्यकता हो सकती है। जैसे-जैसे प्रशिक्षण अवधि और क्षेत्र की स्थितियाँ बदलती हैं, सामान्य की परिभाषा बदलती है, इसलिए हम मॉडल संस्करण और सीमाएँ प्रबंधित करते हैं। ऑपरेटर फ़ील्ड लॉग और अंशांकन रिकॉर्ड के साथ अलार्म की जांच करते हैं और निर्णय परिणाम छोड़ते हैं। पुष्टि किए गए मामलों का उपयोग अगले मॉडल मूल्यांकन में किया जाएगा, लेकिन परिणाम अच्छे दिखने के लिए तथ्य के बाद ऐतिहासिक डेटा को संशोधित नहीं किया जाना चाहिए।

फ़ील्ड एप्लिकेशन चेकलिस्ट

• सबसे पहले असामान्यता के प्रकार, प्रतिक्रिया प्रक्रियाओं और सतर्क व्यक्ति को परिभाषित करें।

• नियमों, मॉडलों, सीमाओं और प्रशिक्षण डेटा के संस्करणों को सुरक्षित रखें।

• गलत अलार्म, गैर-पहचान परिणाम और ऑपरेटर निर्णय परिणामों का नियमित रूप से मूल्यांकन किया जाता है।

अक्सर पूछे जाने वाले प्रश्न

क्या अधिक AI अलर्ट के साथ सिस्टम बेहतर है?

नहीं। बहुत अधिक अलर्ट के कारण आप महत्वपूर्ण सिग्नल चूक सकते हैं। झूठे अलार्म और गैर-पता लगाने का एक साथ मूल्यांकन किया जाना चाहिए और उस स्तर पर समायोजित किया जाना चाहिए जिस पर प्रतिक्रिया दी जा सके।

क्या मैं बिना लेबल वाला डेटा उपयोग कर सकता हूँ?

अप्रशिक्षित तरीकों से उम्मीदवार ढूंढे जा सकते हैं, लेकिन वे हमें किसी विसंगति का कारण नहीं बताते हैं। ऑन-साइट समीक्षा और उसके बाद लेबलिंग आवश्यक है।

तर्क और सीमाएँ

हमने स्वचालित डेटा जांच और मैन्युअल सत्यापन और एनआईएसटी के भरोसेमंद एआई सिद्धांतों के लिए यूएस ईपीए की सिफारिशों का संदर्भ दिया। यह आलेख तकनीकी अवधारणाओं की व्याख्या करता है और किसी विशेष मॉडल के प्रदर्शन या क्षेत्र निदान सटीकता के बारे में दावा नहीं करता है।