AI operativna inteligencija

AI operativna inteligencija (AI Operations Intelligence) analitička je komponenta podsustava Operational Health Matrix, namijenjena podizanju kvalitete operativnog rada pomoću inteligentne analize prikupljenih podataka.

AI ne donosi operativne odluke samostalno.

Sve preporuke služe kao stručna podrška inženjeru i zahtijevaju potvrdu korisnika.

Ovaj pristup osigurava poštivanje načela transparentnosti, ponovljivosti i upravljivosti kritične infrastrukture.

Načela projektiranja

AI komponenta počiva na sljedećim načelima:

• objašnjive preporuke;
• čovjek u procesu odlučivanja (human-in-the-loop);
• deterministički operativni tijek rada;
• sljediva podrška odlučivanju;
• nedestruktivna analitika.

Nijedna preporuka umjetne inteligencije ne mijenja automatski operativni problem (Operational Issue).

Slični operativni problemi

Kada se registrira novi operativni problem, sustav automatski traži slične slučajeve.

Za usporedbu se koriste sljedeći parametri:

• kanonski problem (Canon);
• tip opreme;
• verzija firmvera;
• konfiguracija;
• regija;
• radni uvjeti;
• temeljni uzrok (Root Cause);
• primijenjeno rješenje;
• potvrđeni ishod.

Inženjer vidi najrelevantnije slučajeve s ocjenom sličnosti za svaki od njih.

Rangiranje temeljnih uzroka

Kada postoji više mogućih uzroka, sustav sastavlja rangirani popis najvjerojatnijih temeljnih uzroka.

Za svaki uzrok sustav prikazuje:

• vjerojatnost;
• dokaze (Evidence) koji ga potkrepljuju;
• slične slučajeve;
• preporučene provjere;
• očekivani utjecaj.

Konačnu odluku o temeljnom uzroku donosi inženjer.

Prediktivno održavanje

Na temelju povijesnih podataka sustav prepoznaje opremu za koju postoji povećana vjerojatnost pojave operativnih problema.

Prognoza može uzeti u obzir:

• brzinu opadanja ocjene stanja (Health Score);
• ponavljanje kanonskih problema;
• statistiku popravaka;
• starost opreme;
• stabilnost veze;
• sezonske čimbenike;
• intenzitet rada.

Rezultat je preporuka za preventivno održavanje.

Analiza drifta detektora

OHM neprekidno prati učinkovitost vlastitih analitičkih modela.

Za svaki detektor (Detector) sustav analizira:

• promjene točnosti;
• promjene preciznosti;
• promjene odziva;
• rast broja lažno pozitivnih rezultata;
• rast broja lažno negativnih rezultata;
• promjene raspodjele razina pouzdanosti.

Kada se otkrije degradacija, detektor prelazi u stanje „zahtijeva pregled” (Requires Review).

Operativni rizici u nastajanju

AI analizira cijeli skup operativnih problema radi otkrivanja novih trendova.

Na primjer:

• sve češći kvarovi određenog modela opreme;
• povećan broj pogrešaka nakon ažuriranja firmvera;
• pogoršana kvaliteta veze u određenoj regiji;
• povećan broj istovjetnih temeljnih uzroka.

Takvi se događaji prikazuju kao rizici u nastajanju (Emerging Risks).

Razina pouzdanosti preporuke

Uz svaku preporuku daje se koeficijent pouzdanosti.

Radi većeg povjerenja inženjer uvijek vidi:

• korištene dokaze;
• povezane operativne probleme;
• slične slučajeve;
• objašnjenje zašto je preporuka dana.