要点
AI异常检测是一种发现偏离正常范围的部分并减少人类首先看到的物体数量的技术。在牲畜传感器数据中，浓度的突然变化、长时间重复相同的值、长期漂移、通信故障以及与温度、湿度和通风不匹配的模式都可以显示为候选。警报的发生并不能确认气体泄漏或消除故障。现实世界的现象、传感器故障、维护和操作变化都会产生类似的信号。
为什么要一起使用规则和模型？
基于规则的检查对于易于解释的问题非常有效，例如超出范围、变化率、固定值和缺失。当正常模式根据一天中的时间、季节和饲养条件而变化时，统计模型或机器学习有助于发现复杂的变化。最初，通过使用规则作为基线并比较模型找到的附加间隔，可以轻松识别误报和遗漏。
模型输入可能需要温度、湿度、通风、设备状态、喂养和清洁以及浓度等事件。随着训练周期和现场条件的变化，正常的定义也会发生变化，因此我们管理模型版本和阈值。操作员通过现场日志和校准记录检查报警并留下判断结果。确认的案例将用于下一步的模型评估，但不应事后修改历史数据以使结果看起来不错。
现场应用清单
首先定义异常类型、响应程序和报警人员。
保留规则、模型、阈值和训练数据的版本。
定期评估误报、未检测结果和操作员判断结果。
常问问题
人工智能警报越多，系统是否越好？
不。太多警报可能会导致您错过重要信号。误报和未检测应一起评估并调整至可响应的水平。
我可以使用未标记的数据吗？
无监督方法可以找到候选者，但它们不能告诉我们异常的原因。需要进行现场审查并随后进行标记。
基本原理和局限性
我们参考了美国 EPA 关于自动数据检查和手动验证的建议以及 NIST 的可信人工智能原则。本文解释了技术概念，并不对任何特定模型的性能或现场诊断准确性做出声明。