Analiza operațională cu IA

Analiza operațională cu IA este componenta analitică a subsistemului Operational Health Matrix, concepută pentru a îmbunătăți calitatea activității operaționale prin analiza inteligentă a datelor acumulate.

Inteligența artificială nu ia singură decizii operaționale.

Toate recomandările servesc drept sprijin de specialitate pentru inginer și necesită confirmarea utilizatorului.

Această abordare asigură respectarea principiilor de transparență, reproductibilitate și controlabilitate ale infrastructurii critice.

Principii de proiectare

Componenta de IA se bazează pe următoarele principii:

• recomandări explicabile;
• omul în procesul decizional (human-in-the-loop);
• flux de lucru operațional determinist;
• sprijin decizional trasabil;
• analiză nedistructivă.

Nicio recomandare a inteligenței artificiale nu modifică automat o problemă operațională (Operational Issue).

Probleme operaționale similare

La înregistrarea unei noi probleme operaționale, sistemul caută automat cazuri similare.

Comparația se face după următorii parametri:

• problema canonică (Canonical Issue);
• tipul echipamentului;
• versiunea de firmware;
• configurația;
• regiunea;
• condițiile de funcționare;
• cauza fundamentală (Root Cause);
• soluția aplicată;
• rezultatul confirmat.

Inginerul vede cele mai relevante cazuri, împreună cu scorurile lor de similaritate.

Ierarhizarea cauzelor fundamentale

Când există mai multe cauze posibile, sistemul întocmește o listă ierarhizată a celor mai probabile cauze fundamentale.

Pentru fiecare cauză, sistemul afișează:

• probabilitatea;
• dovezile (Evidence) care o susțin;
• cazurile similare;
• verificările recomandate;
• impactul așteptat.

Decizia finală privind cauza fundamentală îi aparține inginerului.

Mentenanță predictivă

Pe baza datelor istorice, sistemul identifică echipamentele cu o probabilitate crescută de apariție a unor probleme operaționale.

Prognoza poate lua în considerare:

• rata de degradare a scorului de stare (Health Score);
• recurența problemelor canonice;
• statisticile reparațiilor;
• vechimea echipamentelor;
• stabilitatea conexiunii;
• factorii sezonieri;
• intensitatea exploatării.

Rezultatul este recomandarea de a efectua mentenanță preventivă.

Analiza derivei detectoarelor

OHM monitorizează continuu eficacitatea propriilor modele analitice.

Pentru fiecare detector, sistemul analizează:

• modificarea exactității (accuracy);
• modificarea preciziei (precision);
• modificarea sensibilității (recall);
• creșterea numărului de rezultate fals pozitive;
• creșterea numărului de rezultate fals negative;
• modificarea distribuției nivelurilor de încredere.

Când se detectează o degradare, detectorul trece în starea Necesită revizuire (Requires Review).

Riscuri operaționale emergente

Inteligența artificială analizează ansamblul problemelor operaționale pentru a identifica tendințe noi.

De exemplu:

• creșterea numărului de defecțiuni la un anumit model de echipament;
• creșterea numărului de erori după o actualizare de firmware;
• degradarea conectivității într-o anumită regiune;
• creșterea numărului de cauze fundamentale identice.

Astfel de evenimente se afișează ca riscuri emergente (Emerging Risks).

Nivelul de încredere al recomandării

Fiecare recomandare este însoțită de un coeficient de încredere.

Pentru a spori încrederea, inginerul vede întotdeauna:

• dovezile folosite;
• problemele operaționale asociate;
• cazurile similare;
• explicația motivului pentru care s-a formulat recomandarea.