Машинное обучение
Сейчас трудно найти IoT-платформу, которая не заявляла бы об успешном применении технологий машинного обучения, например, для предсказательного обслуживания оборудования. К сожалению, зачастую под этим подразумевается в большей степени продажа услуг аналитиков компании-производителя ПО, нежели сам программный продукт.
AggreGate крайне практичен в том, что касается машинного обучения. Этот инструмент позволяет дата-майнерам детально изучать потоки данных временных рядов и большие массивы информации для поиска ценных знаний.
Говоря техническим языком, данный инструмент использует методы обучения с учителем и без учителя для решения трёх основных типов задач:
| Предсказание значений |
| Определение аномалий |
| Классификация значений или наборов данных |
У обучаемых модулей, непосредственно выполняющих процессы обучения и оценки результатов, есть так называемые гиперпараметры, которые аналитики данных используют для тонкой настройки алгоритмов поведения. В комбинации с процессами, модуль машинного обучения становится универсальным инструментом для прогнозирования отказов и оптимизации работы как для физических активов, так и для бизнес-сервисов.
Модуль машинного обучения включает в себя широко известные алгоритмы: линейную регрессию, регрессию опорных векторов, дерево решений, алгоритм случайного леса, многослойный перцептрон (нейронная сеть прямого распространения), наивный байесовский классификатор и другие.
Обучаемые модули встроены в единую модель данных AggreGate, что дает им возможность обмениваться информацией с любыми другими объектами, устройствами и источниками данных платформы. Модули также могут работать в режиме инкрементного (пошагового) обучения, «на лету» инициируя процесс повторной тренировки по мере поступления новых данных в виде системных событий или событий устройств.
Возможность написания скриптов на языках R и Python дополняет функциональные возможности как для этапа предварительной обработки данных, так и самого процесса обучения.
