Principais conclusões
A detecção de anomalias por IA é uma tecnologia que encontra seções que se desviam da faixa normal e reduz o número de objetos que os humanos veem primeiro. Nos dados do sensor de pecuária, mudanças repentinas na concentração, repetição do mesmo valor por um longo período, desvio de longo prazo, falha na comunicação e padrões que não correspondem à temperatura, umidade e ventilação podem ser exibidos como candidatos. A ocorrência de um alarme não confirma vazamento de gás ou falha de redução. Fenômenos do mundo real, falhas de sensores, manutenção e alterações operacionais podem produzir sinais semelhantes.
Por que usar regras e modelos juntos?
A verificação baseada em regras é eficaz para problemas fáceis de explicar, como fora da faixa, taxa de variação, valores fixos e falta. Quando os padrões normais variam dependendo da hora do dia, da estação e das condições de criação, os modelos estatísticos ou o aprendizado de máquina ajudam a encontrar mudanças complexas. Inicialmente, é fácil identificar alarmes falsos e omissões usando a regra como linha de base e comparando os intervalos adicionais que o modelo encontra.
As entradas do modelo podem exigir eventos como temperatura, umidade, ventilação, status do dispositivo, alimentação e limpeza, bem como concentração. À medida que os períodos de treinamento e as condições de campo mudam, a definição do normal muda, por isso gerenciamos versões e limites do modelo. Os operadores verificam os alarmes com registros de campo e registros de calibração e deixam os resultados do julgamento. Os casos confirmados serão usados na próxima avaliação do modelo, mas os dados históricos não devem ser modificados após o fato para que os resultados pareçam bons.
Lista de verificação de aplicação em campo
Primeiro defina o tipo de anormalidade, os procedimentos de resposta e a pessoa alertada.
Preserve versões de regras, modelos, limites e dados de treinamento.
Alarmes falsos, resultados de não detecção e resultados de julgamento do operador são avaliados regularmente.
Perguntas frequentes
O sistema está melhor com mais alertas de IA?
não. Muitos alertas podem fazer com que você perca sinais importantes. Alarmes falsos e não detecção devem ser avaliados em conjunto e ajustados para um nível que possa ser respondido.
Posso usar dados não rotulados?
Métodos não supervisionados podem encontrar candidatos, mas não nos dizem a causa de uma anomalia. É necessária revisão no local e rotulagem subsequente.
Justificativa e Limitações
Referimos as recomendações da EPA dos EUA para verificação automatizada de dados e verificação manual e os Princípios de IA Confiável do NIST. Este artigo explica conceitos técnicos e não faz afirmações sobre o desempenho ou a precisão do diagnóstico de campo de qualquer modelo específico.