Η Τεχνητή Νοημοσύνη ανιχνεύει ανωμαλίες σε τεράστια σύνολα δεδομένων σε πραγματικό χρόνο

Ερευνητές στο MIT-IBM Watson AI Lab επινόησαν μια αποδοτική υπολογιστική μέθοδο που μπορεί να εντοπίσει αυτόματα ανωμαλίες σε ροές δεδομένων σε πραγματικό χρόνο, όπως πιθανές βλάβες στο δίκτυο ηλεκτρικής ενέργειας ή της ύδρευσης, καθώς και της κυκλοφορίας των οχημάτων

Εκατοντάδες χιλιάδες αλληλένδετοι αισθητήρες διασκορπισμένοι σε όλες τις Ηνωμένες Πολιτείες καταγράφουν δεδομένα για το ηλεκτρικό ρεύμα, την τάση και άλλες κρίσιμες παραμέτρους σε πραγματικό χρόνο, πραγματοποιώντας συχνά πολλαπλές εγγραφές ανά δευτερόλεπτο.

Ερευνητές στο MIT-IBM Watson AI Lab επινόησαν μια υπολογιστική αποδοτική μέθοδο μηχανικής μάθησης, η οποία μαθαίνει να μοντελοποιεί τη διασύνδεση του ηλεκτρικού δικτύου και να εντοπίζει τυχόν δυσλειτουργίες καλύτερα από άλλες δημοφιλείς τεχνικές.

Επειδή το μοντέλο μηχανικής μάθησης που ανέπτυξαν δεν απαιτεί σχολιασμένα δεδομένα για ανωμαλίες του δικτύου ηλεκτρικής ενέργειας προς εκπαίδευση, είναι ευκολότερο να εφαρμοστεί σε πραγματικές καταστάσεις όπου συχνά είναι δύσκολο να βρεθούν labeled datasets υψηλής ποιότητας. Το μοντέλο είναι επίσης ευέλικτο και μπορεί να εφαρμοστεί σε άλλες περιπτώσεις όπου ένας τεράστιος αριθμός διασυνδεδεμένων αισθητήρων συλλέγει και αναφέρει δεδομένα, όπως σε συστήματα παρακολούθησης της κυκλοφορίας των οχημάτων μέσα στις πόλεις. Θα μπορούσε, για παράδειγμα, να εντοπίσει τα σημεία συμφόρησης της κυκλοφορίας.

«Στην περίπτωση ενός δικτύου ηλεκτρικής ενέργειας, οι άνθρωποι προσπαθούν να συλλάβουν τα δεδομένα χρησιμοποιώντας στατιστικά και στη συνέχεια να ορίσουν κανόνες ανίχνευσης  για να πουν ότι, για παράδειγμα, εάν η τάση αυξηθεί κατά ένα ορισμένο ποσοστό, τότε ο χειριστής του δικτύου θα πρέπει να ειδοποιηθεί. Τέτοια συστήματα που βασίζονται σε κανόνες, ακόμη και με δυνατότητα ανάλυσης στατιστικών δεδομένων, απαιτούν πολλή εργασία και τεχνογνωσία. Εμείς δείχνουμε ότι μπορούμε να αυτοματοποιήσουμε αυτή τη διαδικασία και επίσης να μάθουμε μοτίβα από τα δεδομένα χρησιμοποιώντας προηγμένες τεχνικές μηχανικής μάθησης», λέει ο διευθυντής του MIT-IBM Watson AI Lab,  Jie Chen.

Οι  ερευνητές χρησιμοποίησαν έναν ειδικό τύπο μοντέλου βαθιάς μάθησης που ονομάζεται normalizing flow (κανονικοποίηση ροών) το οποίο είναι ιδιαίτερα αποτελεσματικό στην εκτίμηση της  πιθανότητας της πυκνότητας ενός δείγματος και χρησιμοποίησαν έναν τύπο γραφήματος, γνωστό ως Bayesian δίκτυο το οποίο μπορεί να μάθει τη σύνθετη, αιτιακή δομή μεταξύ διαφορετικών αισθητήρων. Συγκεκριμένα, ένα Bayesian δίκτυο είναι ένα πιθανοτικό γραφικό μοντέλο, που βασίζεται σε μια δομική εξάρτηση μεταξύ τυχαίων μεταβλητών, οι οποίες αντιπροσωπεύουν μια συνδυασμένη κατανομή πιθανοτήτων με ένα συμπαγή και αποδοτικό τρόπο.  Αυτή η δομή γραφήματος επιτρέπει στους ερευνητές να δουν τα μοτίβα δεδομένων και να εκτιμήσουν τις ανωμαλίες με μεγαλύτερη ακρίβεια. Η μέθοδός τους είναι ιδιαίτερα ακριβής  επειδή αυτή η πολύπλοκη δομή γραφήματος δεν χρειάζεται να καθοριστεί εκ των προτέρων και το μοντέλο μπορεί να μάθει το γράφημα μόνο του, χωρίς επίβλεψη.

Οι ερευνητές δοκίμασαν αυτό το μοντέλο βλέποντας πόσο καλά μπορούσε να εντοπίσει ανωμαλίες στα δεδομένα του δικτύου ηλεκτρικής ενέργειας, στα δεδομένα κίνησης και στα δεδομένα του συστήματος ύδρευσης. Τα σύνολα δεδομένων που χρησιμοποίησαν για τις δοκιμές περιείχαν ανωμαλίες που είχαν εντοπιστεί από ανθρώπους, έτσι οι ερευνητές μπόρεσαν να συγκρίνουν τις ανωμαλίες που εντόπισε το μοντέλο τους με πραγματικές δυσλειτουργίες σε κάθε σύστημα και διαπίστωσαν ότι ξεπέρασαν όλες τις βασικές γραμμές ανιχνεύοντας υψηλότερο ποσοστό πραγματικών ανωμαλιών σε κάθε σύνολο δεδομένων.

 

 

Μάθετε πρώτοι τα τελευταία νέα
Ακολουθήστε μας στο Google News και μάθετε πρώτοι όλες τις ειδήσεις