Предиктивный мониторинг промышленных сервисов
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
Тезисы
В крупных с увеличением количества сервисов и роста нагрузки становится актуальным ранее автоматическое предупреждение о возможных сбоях. В идеале требуется на основе анализа исторических данных по эксплуатации сервисов прогнозировать наступление инцидентов и аварий с учетом трендов, сезонности, производственных календарей.
Для решения такой задачи от нашего заказчика №1 - Банка ВТБ были рассмотрены open-source решения, такие как Prophet, Merlion, Kats. Перечисленные решения были адаптированы для анализа более 150 тысяч метрик из 200 бизнес-сервисов в инструменте "Сфера.Анализ событий". С использованием адаптивных алгоритмов выявления аномалий, не требующих экспертной настройки, инструмент предупредит о возможных сбоях и предоставит важную диагностическую информацию. Гибкие правила алертинга позволяют снизить шум за счет выбора зоны и длительности аномалий.
Использование таких инструментов в крупных компаниях в условиях роста производственного ландшафта требует значительных трудозатрат на настройку. Благодаря встроенному AutoML на основе генетических алгоритмов подбора гиперпараметров получилось увеличить количество автоматически настраиваемых метрик до 95% и сократить трудоемкость настройки модели с нескольких часов — до минут, нескольких кликов мышью.
Координирует развитие ИИ-продуктов Сферы с учетом требований и трендов рынка, отвечает за эффективное выполнение проектов по совершенствованию процессов производства с применением ИИ и взаимодействие с профильными департаментами группы Т1
Т1 Иннотех
Видео
Другие доклады секции
ML и AI в производственных компаниях
