Ключевые выводы

  • У интеллектуального анализа и промышленного Интернета вещей есть общая задача: извлечение полезной информации из данных о зашумленных сигналах.
  • Неконтролируемое машинное обучение — это мощный инструмент, который Falkonry использует для обнаружения важных закономерностей как для известных, так и для неизвестных событий или проблем.

Что общего между промышленными печами и баллистическими ракетами?

Вы можете узнать важную информацию о каждом из них, слушая их правильно.

В военном мире это радиоразведка (SIGINT). В промышленном мире это один из аспектов Интернета вещей (IoT). Независимо от того, как это называется, все сводится к одной и той же практике: использованию данных от множества существующих датчиков для выявления закономерностей, которые коррелируют с интересующими событиями. Это непросто. Разработанные для конкретных целей, таких как контроль положения или скорости, датчики, как правило, не могут прямо сказать, что произошло что-то интересное, например, запуск ракеты или поломка детали. Из-за этого несоответствия между прямым, предполагаемым использованием контроля с обратной связью и косвенным использованием поведения, основанного на выводах, данные трудно интерпретировать. Людям трудно отличить значимые паттерны от бесполезных паттернов в перепрофилированном контексте. В результате данные выглядят очень зашумленными. На самом деле, группа в британских вооруженных силах, которая отвечала за выяснение того, как использовать сигналы немецких радаров для самообороны во время Второй мировой войны, называлась Бюро тенинга Noise Lis. Использование перепрофилированных данных сигналов — старая проблема.

Задача сейчас, как и тогда, заключается в следующем: как обнаружить важные закономерности, скрытые в шуме?

Обнаружение закономерностей и машинное обучение

Дональд Рамсфелд сделал важность работы с «неизвестными знаменитой»:

«Отчеты, в которых говорится, что чего-то не произошло, мне всегда интересны, потому что, как мы знаем, есть известные известные; есть вещи, которые мы знаем, что знаем. Мы также знаем, что есть известные неизвестные; то есть мы знаем, что есть некоторые вещи, которых мы не знаем. Но есть и неизвестные неизвестные — те, о которых мы не знаем, что мы не знаем».

Эта идея адаптирована на четырехугольной диаграмме ниже.

Рамсфелд говорил об «известном, неизвестном» (оно где-то здесь, если только мы сможем его найти) и «неизвестном, неизвестном» (никто даже не осознает, что здесь есть что-то достаточно важное, о чем можно задать вопрос). Это части, помеченные как «Открытие» в таблице выше. Это области, где вы не можете найти важные вещи. То есть, независимо от того, знаете ли вы, что что-то существует, вы не в состоянии это увидеть. Открытие — это процесс обнаружения ненаблюдаемых вещей, о существовании которых вы знаете, а также обнаружение вещей, о существовании которых вы не знали.

Обнаружение — ключевой шаг в анализе разведывательных данных, потому что не всегда ясно, что происходит и, следовательно, что искать. Чтобы не оказаться в тупике, важно иметь систему, которая обращает внимание на что-то неожиданное и необычное (т. е. для нахождения неизвестного, неизвестного). Точно так же ключевой частью функции разведки является понимание расположения противника перед боем. То есть определение того, какие из известных средств находятся на поле боя, чтобы их можно было эффективно противодействовать или избежать (т.е. иметь дело с известными, неизвестными)

Открытие также важно в промышленном контексте. Известные и неизвестные представляют собой проблемы, о которых известно операционной группе, но которые они не могут предсказать или иным образом идентифицировать до того, как они повлияют на производство. Это может включать в себя неизбежные отказы деталей или известный дефект качества, который снижает производительность, но источник которого до сих пор неизвестен. Неизвестные, неизвестные — это проблемы в линии, которые вызывают проблемы, которые не привлекли чье-либо внимание. Например, ранее неизвестное прерывистое переходное поведение в прокатном стане было обнаружено и связано с ранее неизвестным дефектом изменения толщины рулонов.

Одним из подходов к открытию является нахождение образцов в сигнальных данных, которые отличаются от нормального поведения системы. В простых случаях люди хорошо справляются с этой задачей — замечать, что отличается от фона. Нам нужно было уметь замечать различия, чтобы находить прячущихся животных во время охоты и находить фрукты или ценные растения при поиске пищи среди другой флоры. Однако этот процесс становится намного сложнее, когда доступные данные ограничены, а интересующее поведение сложно. Например: могу ли я определить все важные изменения и взаимодействия между системами корабля, просматривая показания сотен датчиков, которые обновляются каждую секунду, 24 часа в сутки? Как с помощью нескольких датчиков, контролирующих двигатели конвейера печи, определить, что в моей промышленной печи что-то меняется, что указывает на необходимость технического обслуживания? Или как посмотреть показания инфразвука на ТВД, чтобы понять, запущена ли ракета или двинулся танковый дивизион? Эти более сложные проблемы требуют более широкого круга внимания и познания, чем может собрать человек без посторонней помощи.

Для таких задач все чаще применяют неконтролируемое машинное обучение (ML). Этот тип машинного обучения предназначен для работы в случаях, когда нет примеров искомого поведения. Другими словами, неконтролируемое машинное обучение нацелено именно на проблемы в области открытий. Случай с известным и неизвестным подобен поиску иголки в стоге сена. Неконтролируемое обучение выявляет, где что-то есть в стоге сена. Это что-то может быть иглой, а может и не быть, но это сокращает количество мест, в которых эксперту необходимо заглянуть. В случае неизвестного, неизвестного, неконтролируемое обучение помогает учесть все вещи в куче, как сено, так и не сено, позволяя экспертам обнаружить маленького мальчика, крепко спящего, которого даже не должно было быть там.

Преимущество соколиной фермы

Несмотря на совершенно разные приложения, основная проблема обнаружения одна и та же. Обнаружение закономерностей в данных сигналов — это то, чем занимается Falkonry. Falkonry добилась многочисленных успехов в этом как в промышленном, так и в оборонном секторах. Никаких модификаций, пользовательских функций или разработки алгоритмов не требуется — независимо от того, применяются ли они для диагностического обслуживания, MASINT или ELINT, используется одна и та же технология. Это обеспечивает быстрое и надежное развертывание для решения самого широкого круга задач. Начните быстро, а затем легко масштабируйте.

Свяжитесь с нами, чтобы узнать больше о том, как Falkonry может помочь расширить возможности вашего пути к открытиям.