AI operativna inteligencija

AI operativna inteligencija (AI Operations Intelligence) je analitička komponenta podsistema Operational Health Matrix, namenjena podizanju kvaliteta operativnog rada pomoću inteligentne analize prikupljenih podataka.

AI ne donosi operativne odluke samostalno.

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

Ovaj pristup obezbeđuje poštovanje principa transparentnosti, ponovljivosti i upravljivosti kritične infrastrukture.

Principi projektovanja

AI komponenta počiva na sledećim principima:

• objašnjive preporuke;
• čovek u procesu odlučivanja (human-in-the-loop);
• deterministički operativni tok rada;
• sledljiva podrška odlučivanju;
• nedestruktivna analitika.

Nijedna preporuka veštačke inteligencije ne menja automatski operativni problem (Operational Issue).

Slični operativni problemi

Kada se registruje novi operativni problem, sistem automatski traži slične slučajeve.

Za poređenje se koriste sledeći parametri:

• kanonski problem (Canon);
• tip opreme;
• verzija firmvera;
• konfiguracija;
• region;
• radni uslovi;
• osnovni uzrok (Root Cause);
• primenjeno rešenje;
• potvrđeni ishod.

Inženjer vidi najrelevantnije slučajeve sa ocenom sličnosti za svaki od njih.

Rangiranje osnovnih uzroka

Kada postoji više mogućih uzroka, sistem sastavlja rangiranu listu najverovatnijih osnovnih uzroka.

Za svaki uzrok sistem prikazuje:

• verovatnoću;
• dokaze (Evidence) koji ga potkrepljuju;
• slične slučajeve;
• preporučene provere;
• očekivani uticaj.

Konačnu odluku o osnovnom uzroku donosi inženjer.

Prediktivno održavanje

Na osnovu istorijskih podataka sistem prepoznaje opremu kod koje postoji povećana verovatnoća pojave operativnih problema.

Prognoza može da uzme u obzir:

• brzinu opadanja ocene stanja (Health Score);
• ponavljanje kanonskih problema;
• statistiku popravki;
• starost opreme;
• stabilnost veze;
• sezonske faktore;
• intenzitet rada.

Rezultat je preporuka za preventivno održavanje.

Analiza drifta detektora

OHM neprekidno prati delotvornost sopstvenih analitičkih modela.

Za svaki detektor (Detector) sistem analizira:

• promene tačnosti;
• promene preciznosti;
• promene odziva;
• rast broja lažno pozitivnih rezultata;
• rast broja lažno negativnih rezultata;
• promene raspodele nivoa pouzdanosti.

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

Operativni rizici u nastajanju

AI analizira ceo skup operativnih problema radi otkrivanja novih trendova.

Na primer:

• sve češći otkazi određenog modela opreme;
• povećan broj grešaka posle ažuriranja firmvera;
• pogoršan kvalitet veze u određenom regionu;
• povećan broj istovetnih osnovnih uzroka.

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

Nivo pouzdanosti preporuke

Uz svaku preporuku daje se koeficijent pouzdanosti.

Radi većeg poverenja inženjer uvek vidi:

• korišćene dokaze;
• povezane operativne probleme;
• slične slučajeve;
• objašnjenje zašto je preporuka data.