AI Model Deployment Platform
Yggio kann ein KI-Modell auf Ihrer eigenen Sensorhistorie trainieren und danach jede neue Messung dagegen bewerten, ohne dass die Daten die Plattform verlassen. Training und Inferenz laufen als gewöhnliche Yggio-Dienste neben den Daten, die sie nutzen, es gibt also keinen Exportschritt und keinen separaten Machine-Learning-Stack zu betreiben.
Hinweis: das ist nicht standardmäßig eingeschaltet. Wenden Sie sich an den technischen Support, um es für Ihre Installation freischalten zu lassen.
Anomalieüberwachung: mit einem Alarm-Translator beginnen
Der größte Teil der Anomalieüberwachung in Yggio braucht keine KI. Sie wird mit den
Alarm-Translatoren gemacht, die einen true/false-Alarm
auslösen, wenn ein decodiertes Feld eine von Ihnen gesetzte Schwelle überschreitet. Sie decken eine
einfache Grenze ab, Warn- und Kritisch-Bänder, eine Änderungsrate, eine Bedingung, die über mehrere
Meldungen halten muss, Filterung nach Tageszeit, und Algorithmen wie Schimmelrisiko. Sie stehen jeder
Installation zur Verfügung, brauchen keine Trainingsphase, und der Grund für einen Alarm ist an der
Schwelle ablesbar.
Nutzen Sie ein KI-Modell dort, wo sich das normale Muster nicht als Schwelle ausdrücken lässt: ein Wert, dessen üblicher Bereich je Gerät verschieden ist oder mit Jahreszeit und Nutzung wandert. Der Rest dieser Seite behandelt diesen Fall.
Anomalieerkennung mit einem Modell
Der heute verfügbare Modelltyp ist Anomalieerkennung. Ein Modell wird auf der eigenen Historie eines Sensors trainiert, lernt, was für diesen Sensor normal ist, und markiert von da an Messwerte, die nicht ins Muster passen. Das deckt Fälle ab wie ein Leck, einen verstopften Filter, ausfallende Technik, oder eine Tür, die sich zu einer Stunde öffnet, zu der sie es normalerweise nicht tut.
Ein Modell lässt sich auf jeder numerischen Gerätemessung trainieren: Temperatur, Licht, CO2, RSSI und so weiter. Nicht-numerische Felder sind nicht verwendbar.
Da jedes Modell das Verhalten eines einzelnen Sensors lernt, gibt es nichts je Gerät einzustellen. Yggio trainiert mehrere Kandidatenmodelle, vergleicht sie auf Daten, auf denen sie nicht trainiert wurden, und behält das besser abschneidende. Der Vergleich wird beim Modell festgehalten.
Die einzige Entscheidung, die Ihnen bleibt, ist, wie empfindlich das Ergebnis sein soll. Sie wird als erwartete Anomaliehäufigkeit gesetzt: wie viel der Historie als ungewöhnlich genug gelten soll, um markiert zu werden. Das ist eine Frage danach, auf wie viele Alarme Sie reagieren wollen, und keine Eigenschaft der Daten.
Ein Modell trainieren
Modelle werden über die Seite AI Fleet verwaltet, die der Navigation hinzugefügt wird, sobald die Funktion freigeschaltet ist. Das Training läuft als kurzer Assistent:
- Model type - Anomalieerkennung.
- Datastreams - das Gerät und die Messung, von der gelernt werden soll. Mehrere sind möglich.
- Settings - die erwartete Anomaliehäufigkeit und die Fenstergröße, also wie viele der letzten Messwerte das Modell betrachtet.
- Train - Yggio holt die Historie, trainiert und vergleicht die Kandidaten, speichert den Gewinner und bewertet den historischen Zeitraum, damit sofort Ergebnisse zu sehen sind.
Von da an läuft das Modell gegen jede neue Messung dieses Geräts.
Was zurückkommt
Die Ergebnisse kommen als gewöhnliche Messwerte auf einem gewöhnlichen Yggio-Gerät an. Nichts daran ist ein besonderes KI-Format, alles, was die Plattform bereits kann, gilt also unverändert für sie: in einem Dashboard darstellen, einen Alarm darauf auslösen, sie in der Rule Engine verwenden, exportieren, und mit Zugriffsrechten steuern, wer sie sieht.
Jeder Trainingslauf hält außerdem fest, welche Daten und Einstellungen verwendet wurden und wie die Kandidaten abgeschnitten haben, sodass sich die Herkunft eines Modells später zeigen lässt.