Plattform för driftsättning av AI-modeller
Yggio kan träna en AI-modell på din egen sensorhistorik och sedan bedöma varje ny avläsning mot den, utan att data lämnar plattformen. Träning och inferens körs som vanliga Yggio-tjänster intill de data de använder, så det finns inget exportsteg och ingen separat maskininlärningsstack att driva.
Note: det här är inte påslaget som standard. Kontakta teknisk support för att få det aktiverat för din installation.
Avvikelseövervakning: börja med en larmtranslator
Det mesta av avvikelseövervakningen i Yggio behöver ingen AI. Den görs med
larmtranslatorerna, som höjer ett true/false-larm när ett
avkodat fält korsar ett tröskelvärde du sätter. De täcker ett enkelt gränsvärde, varnings- och
kritiska band, en förändringstakt, ett villkor som måste hålla över flera rapporter, filtrering på
tid på dygnet, och algoritmer som mögelrisk. De är tillgängliga för varje installation, de kräver
ingen inlärningsperiod, och skälet till att ett larm gick syns i tröskelvärdet.
Använd en AI-modell där det normala mönstret inte går att uttrycka som ett tröskelvärde: ett värde vars vanliga intervall skiljer sig per enhet, eller driver med säsong eller användning. Resten av den här sidan handlar om det fallet.
Avvikelsedetektering med en modell
Modelltypen som finns i dag är avvikelsedetektering. En modell tränas på en enskild sensors egen historik, lär sig vad som är normalt för den sensorn, och flaggar därefter avläsningar som inte passar mönstret. Det täcker fall som en läcka, ett igensatt filter, utrustning på väg att gå sönder, eller en dörr som öppnas en timme då den normalt inte gör det.
En modell kan tränas på vilken enhetsmätning som helst som är numerisk: temperatur, ljus, CO2, RSSI och så vidare. Icke-numeriska fält går inte att använda.
Eftersom varje modell lär sig en enskild sensors beteende finns inget att ställa in per enhet. Yggio tränar flera kandidatmodeller, jämför dem på data de inte tränats på, och behåller den som presterade bäst. Jämförelsen sparas tillsammans med modellen.
Det enda beslut som återstår för dig är hur känsligt resultatet ska vara. Det sätts som en förväntad avvikelsefrekvens: hur stor del av historiken som ska räknas som tillräckligt ovanlig för att flaggas. Det är en fråga om hur många larm du vill agera på, snarare än en egenskap hos datan.
Träna en modell
Modeller hanteras från sidan AI Fleet, som läggs till i navigationen när funktionen är aktiverad. Träningen körs som en kort guide:
- Model type - avvikelsedetektering.
- Datastreams - enheten och mätningen att lära från. Flera kan läggas till.
- Settings - den förväntade avvikelsefrekvensen och fönsterstorleken, alltså hur många senaste avläsningar modellen tittar på.
- Train - Yggio hämtar historiken, tränar och jämför kandidaterna, sparar vinnaren och bedömer den historiska perioden så att det finns resultat att titta på direkt.
Därefter körs modellen mot varje ny avläsning från den enheten.
Vad du får tillbaka
Resultaten kommer som vanliga avläsningar på en vanlig Yggio-enhet. Inget med dem är ett särskilt AI-format, så allt plattformen redan gör gäller dem oförändrat: rita dem i en dashboard, höj ett larm på dem, använd dem i Rule Engine, exportera dem, och styr vem som ser dem med åtkomsträttigheter.
Varje träningskörning sparar också sin egen notering om vilka data och inställningar som användes och hur kandidaterna presterade, så att en modells ursprung går att visa i efterhand.