AI Operations Intelligence

AI Operations Intelligence — це аналітичний компонент Operational Health Matrix, призначений для підвищення якості експлуатації завдяки інтелектуальному аналізу накопичених даних.

AI не ухвалює експлуатаційних рішень самостійно.

Усі рекомендації розглядаються як експертна підтримка інженера й потребують підтвердження користувачем.

Такий підхід забезпечує відповідність принципам прозорості, відтворюваності та керованості критично важливої інфраструктури.

Принципи проєктування

Компонент AI побудований на таких принципах:

• пояснювані рекомендації;
• людина в контурі (Human-in-the-Loop);
• детермінований операційний workflow;
• простежувана підтримка рішень;
• неруйнівна аналітика.

Жодна рекомендація штучного інтелекту не змінює Operational Issue автоматично.

Схожі Operational Issues

Під час реєстрації нового Operational Issue система автоматично виконує пошук схожих випадків.

Порівняння виконується за такими параметрами:

• канон Issue;
• тип обладнання;
• версія прошивки;
• конфігурація;
• регіон;
• умови експлуатації;
• Root Cause;
• застосоване рішення;
• підтверджений результат.

Інженерові відображаються найрелевантніші випадки із зазначенням ступеня схожості.

Ранжування Root Cause

За наявності кількох можливих причин система формує ранжований список найімовірніших Root Cause.

Для кожної причини відображаються:

• імовірність;
• підтверджувальні Evidence;
• аналогічні випадки;
• рекомендовані перевірки;
• очікуваний вплив.

Остаточне визначення Root Cause виконує інженер.

Предиктивне обслуговування

На підставі історичних даних система визначає обладнання з підвищеною ймовірністю виникнення експлуатаційних проблем.

Прогноз може враховувати:

• швидкість деградації Health Score;
• повторюваність канонів;
• статистику ремонтів;
• вік обладнання;
• стабільність зв’язку;
• сезонні чинники;
• інтенсивність експлуатації.

Результатом є рекомендація щодо проведення профілактичного обслуговування.

Аналіз дрейфу детекторів

OHM безперервно контролює ефективність власних аналітичних моделей.

Для кожного Detector аналізуються:

• зміна Accuracy;
• зміна Precision;
• зміна Recall;
• зростання кількості False Positives;
• зростання кількості False Negatives;
• зміна Confidence Distribution.

У разі виявлення деградації Detector переводиться у стан Requires Review.

Операційні ризики, що виникають

AI аналізує сукупність Operational Issues для виявлення нових тенденцій.

Наприклад:

• зростання відмов певної моделі обладнання;
• збільшення кількості помилок після оновлення прошивки;
• погіршення зв’язку в окремому регіоні;
• збільшення кількості однакових Root Cause.

Такі події відображаються як Emerging Risks.

Впевненість у рекомендаціях

Кожна рекомендація супроводжується коефіцієнтом впевненості.

Для підвищення довіри інженер завжди бачить:

• використані Evidence;
• пов’язані Operational Issues;
• аналогічні випадки;
• пояснення причини рекомендації.