AI Operations Intelligence

AI Operations Intelligence является аналитическим компонентом Operational Health Matrix, предназначенным для повышения качества эксплуатации за счёт интеллектуального анализа накопленных данных.

AI не принимает эксплуатационных решений самостоятельно.

Все рекомендации рассматриваются как экспертная поддержка инженера и требуют подтверждения пользователем.

Данный подход обеспечивает соответствие принципам прозрачности, воспроизводимости и управляемости критически важных инфраструктур.

Принципы проектирования

Компонент AI строится на следующих принципах:

• Explainable Recommendations;
• Human-in-the-Loop;
• Deterministic Operational Workflow;
• Traceable Decision Support;
• Non-Destructive Analytics.

Ни одна рекомендация искусственного интеллекта не изменяет Operational Issue автоматически.

Похожие Operational Issues

При регистрации нового Operational Issue система автоматически выполняет поиск похожих случаев.

Сравнение производится по следующим параметрам:

• Canonical Issue;
• тип оборудования;
• версия прошивки;
• конфигурация;
• регион;
• эксплуатационные условия;
• Root Cause;
• применённое решение;
• подтверждённый результат.

Инженеру отображаются наиболее релевантные случаи с указанием степени сходства.

Ранжирование Root Cause

При наличии нескольких возможных причин система формирует ранжированный список наиболее вероятных Root Cause.

Для каждой причины отображаются:

• вероятность;
• подтверждающие Evidence;
• аналогичные случаи;
• рекомендуемые проверки;
• предполагаемое влияние.

Окончательное определение Root Cause выполняется инженером.

Предиктивное обслуживание

На основании исторических данных система определяет оборудование с повышенной вероятностью возникновения эксплуатационных проблем.

Прогноз может учитывать:

• скорость деградации Health Score;
• повторяемость канонов;
• статистику ремонтов;
• возраст оборудования;
• стабильность связи;
• сезонные факторы;
• интенсивность эксплуатации.

Результатом является рекомендация по проведению профилактического обслуживания.

Анализ дрейфа детекторов

OHM непрерывно контролирует эффективность собственных аналитических моделей.

Для каждого Detector анализируются:

• изменение Accuracy;
• изменение Precision;
• изменение Recall;
• рост False Positive;
• рост False Negative;
• изменение Confidence Distribution.

При обнаружении деградации Detector переводится в состояние Requires Review.

Возникающие операционные риски

AI анализирует совокупность Operational Issues для выявления новых тенденций.

Например:

• рост отказов определённой модели оборудования;
• увеличение количества ошибок после обновления прошивки;
• ухудшение связи в отдельном регионе;
• увеличение числа одинаковых Root Cause.

Такие события отображаются как Emerging Risks.

Достоверность рекомендаций

Каждая рекомендация сопровождается коэффициентом достоверности.

Для повышения доверия инженер всегда видит:

• использованные Evidence;
• связанные Operational Issues;
• аналогичные случаи;
• объяснение причины рекомендации.