AI Operations Intelligence

AI Operations Intelligence ist die analytische Komponente der Operational Health Matrix und dient dazu, die Betriebsqualität durch die intelligente Auswertung der gesammelten Daten zu verbessern.

Die AI trifft keine eigenständigen operativen Entscheidungen.

Alle Empfehlungen dienen als fachliche Unterstützung für den Ingenieur und erfordern eine Bestätigung durch den Anwender.

Dieser Ansatz stellt die Einhaltung der Prinzipien Transparenz, Reproduzierbarkeit und Beherrschbarkeit kritischer Infrastrukturen sicher.

Gestaltungsprinzipien

Die AI-Komponente beruht auf den folgenden Prinzipien:

• erklärbare Empfehlungen;
• der Mensch im Regelkreis (Human-in-the-Loop);
• deterministischer operativer Workflow;
• nachvollziehbare Entscheidungsunterstützung;
• nicht-destruktive Analytik.

Keine Empfehlung der künstlichen Intelligenz verändert ein Operational Issue automatisch.

Ähnliche Operational Issues

Bei der Registrierung eines neuen Operational Issue sucht das System automatisch nach ähnlichen Fällen.

Der Vergleich erfolgt anhand der folgenden Parameter:

• kanonisches Issue;
• Gerätetyp;
• Firmware-Version;
• Konfiguration;
• Region;
• Betriebsbedingungen;
• Root Cause;
• durchgeführte Behebung;
• bestätigtes Ergebnis.

Dem Ingenieur werden die relevantesten Fälle zusammen mit ihrem Ähnlichkeitsgrad angezeigt.

Rangfolge der Root Causes

Liegen mehrere mögliche Ursachen vor, erstellt das System eine Rangliste der wahrscheinlichsten Root Causes.

Für jede Ursache zeigt das System an:

• die Wahrscheinlichkeit;
• die stützende Evidence;
• ähnliche Fälle;
• empfohlene Prüfungen;
• die erwartete Auswirkung.

Die endgültige Festlegung der Root Cause trifft der Ingenieur.

Vorausschauende Instandhaltung (Predictive Maintenance)

Auf Basis historischer Daten ermittelt das System Geräte mit erhöhter Wahrscheinlichkeit für betriebliche Probleme.

Die Prognose kann berücksichtigen:

• die Degradationsrate des Health Score;
• die Wiederkehr von Canons;
• die Reparaturstatistik;
• das Gerätealter;
• die Stabilität der Verbindung;
• saisonale Faktoren;
• die Betriebsintensität.

Das Ergebnis ist eine Empfehlung zur Durchführung einer vorbeugenden Wartung.

Analyse der Detector-Drift

OHM überwacht laufend die Wirksamkeit der eigenen analytischen Modelle.

Für jeden Detector analysiert das System:

• die Veränderung der Accuracy;
• die Veränderung der Precision;
• die Veränderung des Recall;
• den Anstieg der False Positives;
• den Anstieg der False Negatives;
• die Veränderung der Confidence Distribution.

Wird eine Degradation festgestellt, wechselt der Detector in den Zustand Requires Review.

Aufkommende betriebliche Risiken

Die AI wertet die Gesamtheit der Operational Issues aus, um neue Tendenzen zu erkennen.

Zum Beispiel:

• zunehmende Ausfälle eines bestimmten Gerätemodells;
• eine erhöhte Anzahl von Fehlern nach einem Firmware-Update;
• eine verschlechterte Verbindungsqualität in einer einzelnen Region;
• eine erhöhte Anzahl identischer Root Causes.

Solche Ereignisse werden als Emerging Risks angezeigt.

Konfidenz der Empfehlungen

Jede Empfehlung ist mit einem Konfidenzkoeffizienten versehen.

Um das Vertrauen zu erhöhen, sieht der Ingenieur stets:

• die verwendete Evidence;
• verwandte Operational Issues;
• ähnliche Fälle;
• eine Erklärung, warum die Empfehlung ausgesprochen wurde.