AI Operations Intelligence

AI Operations Intelligence è il componente analitico della Operational Health Matrix, progettato per migliorare la qualità dell’esercizio attraverso l’analisi intelligente dei dati accumulati.

L’AI non prende decisioni operative in autonomia.

Tutte le raccomandazioni costituiscono un supporto esperto per l’ingegnere e richiedono la conferma dell’utente.

Questo approccio garantisce la conformità ai principi di trasparenza, riproducibilità e controllabilità delle infrastrutture critiche.

Principi di progettazione

Il componente AI si basa sui seguenti principi:

• raccomandazioni spiegabili;
• uomo nel ciclo decisionale (Human-in-the-Loop);
• workflow operativo deterministico;
• supporto decisionale tracciabile;
• analitica non distruttiva.

Nessuna raccomandazione dell’intelligenza artificiale modifica automaticamente un Operational Issue.

Operational Issues simili

Alla registrazione di un nuovo Operational Issue, il sistema cerca automaticamente i casi simili.

Il confronto si basa sui seguenti parametri:

• Canon dell’Issue;
• tipo di apparecchiatura;
• versione del firmware;
• configurazione;
• regione;
• condizioni di esercizio;
• Root Cause;
• risoluzione applicata;
• esito confermato.

All’ingegnere vengono mostrati i casi più pertinenti, con il relativo grado di somiglianza.

Graduatoria delle Root Cause

Quando esistono più cause possibili, il sistema genera un elenco ordinato delle Root Cause più probabili.

Per ciascuna causa il sistema mostra:

• la probabilità;
• le Evidence a sostegno;
• i casi analoghi;
• le verifiche consigliate;
• l’impatto previsto.

La determinazione definitiva della Root Cause spetta all’ingegnere.

Manutenzione predittiva

Sulla base dei dati storici il sistema individua le apparecchiature con una probabilità elevata di problemi di esercizio.

La previsione può tenere conto dei seguenti fattori:

• la velocità di degrado dell’Health Score;
• la ricorrenza dei Canon;
• le statistiche di riparazione;
• l’età dell’apparecchiatura;
• la stabilità della connettività;
• i fattori stagionali;
• l’intensità di esercizio.

Il risultato è una raccomandazione di eseguire una manutenzione preventiva.

Analisi della deriva dei Detector

OHM controlla costantemente l’efficacia dei propri modelli analitici.

Per ciascun Detector il sistema analizza:

• la variazione dell’Accuracy;
• la variazione della Precision;
• la variazione del Recall;
• l’aumento dei False Positives;
• l’aumento dei False Negatives;
• la variazione della Confidence Distribution.

Quando viene rilevato un degrado, il Detector passa allo stato Requires Review.

Rischi operativi emergenti

L’AI analizza l’intero insieme degli Operational Issues per individuare nuove tendenze.

Ad esempio:

• l’aumento dei guasti di uno specifico modello di apparecchiatura;
• l’aumento del numero di errori dopo un aggiornamento del firmware;
• il degrado della connettività in una determinata regione;
• l’aumento del numero di Root Cause identiche.

Tali eventi vengono visualizzati come Emerging Risks.

Attendibilità delle raccomandazioni

Ogni raccomandazione è accompagnata da un coefficiente di attendibilità.

Per accrescere la fiducia, l’ingegnere vede sempre:

• le Evidence utilizzate;
• gli Operational Issues correlati;
• i casi analoghi;
• la spiegazione del motivo per cui la raccomandazione è stata formulata.