network intelligence что это
network intelligence
интеллектуальность сети
интеллектуальные ресурсы сети
интеллектуальные возможности сети
сетевой интеллект
сетевые интеллектуальные средства
—
[Л.Г.Суменко. Англо-русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.]
Тематики
Синонимы
Смотреть что такое «network intelligence» в других словарях:
Network intelligence — (NI) is a technology that builds on the concepts and capabilities of Deep Packet Inspection (DPI), Packet Capture and Business Intelligence (BI). It examines, in real time, IP data packets that cross communications networks by identifying the… … Wikipedia
Network Status Management — (NSM) is a new category of software solutions that help mature, next generation mobile carriers to directly address their radio access network (RAN) cost issues. NSM technologies combine the capabilities of traditional radio access engineering… … Wikipedia
Network neutrality — This article is about the general principle of network neutrality. For its specific application to Canada, see Network neutrality in Canada. For its application to the U.S., see Network neutrality in the United States. Network Neutrality Related… … Wikipedia
Intelligence economique — Intelligence économique L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue … Wikipédia en Français
Intelligence Économique — L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue de l’espionnage… … Wikipédia en Français
Intelligence économique et stratégique — Intelligence économique L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue … Wikipédia en Français
Intelligence (information gathering) — Intelligence (abbreviated int. or intel. ) is not information, but the product of evaluated information, valued for its currency and relevance rather than its detail or accuracy mdash;in contrast with data which typically refers to precise or… … Wikipedia
Intelligence collection management — is the process of managing and organizing the collection of intelligence information from various sources. The collection department of an intelligence organization may attempt basic validation of that which it collects, but is not intended to… … Wikipedia
Network Access Control — (NAC) is an approach to computer network security that attempts to unify endpoint security technology (such as antivirus, host intrusion prevention, and vulnerability assessment), user or system authentication and network security… … Wikipedia
Network centrics — is the emerging discipline of applying and enhancing networking and computing concepts and implementation technologies in a variety of social, business, content distribution, and communication domains involving interactions amongst the domain… … Wikipedia
network intelligence
1 network intelligence
интеллектуальность сети
интеллектуальные ресурсы сети
интеллектуальные возможности сети
сетевой интеллект
сетевые интеллектуальные средства
—
[Л.Г.Суменко. Англо-русский словарь по информационным технологиям. М.: ГП ЦНИИС, 2003.]
Тематики
Синонимы
2 network intelligence
См. также в других словарях:
Network intelligence — (NI) is a technology that builds on the concepts and capabilities of Deep Packet Inspection (DPI), Packet Capture and Business Intelligence (BI). It examines, in real time, IP data packets that cross communications networks by identifying the… … Wikipedia
Network Status Management — (NSM) is a new category of software solutions that help mature, next generation mobile carriers to directly address their radio access network (RAN) cost issues. NSM technologies combine the capabilities of traditional radio access engineering… … Wikipedia
Network neutrality — This article is about the general principle of network neutrality. For its specific application to Canada, see Network neutrality in Canada. For its application to the U.S., see Network neutrality in the United States. Network Neutrality Related… … Wikipedia
Intelligence economique — Intelligence économique L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue … Wikipédia en Français
Intelligence Économique — L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue de l’espionnage… … Wikipédia en Français
Intelligence économique et stratégique — Intelligence économique L’intelligence économique est l ensemble des activités coordonnées de collecte, de traitement et de diffusion de l information utile aux acteurs économiques auquel on peut ajouter les actions d influence; Elle se distingue … Wikipédia en Français
Intelligence (information gathering) — Intelligence (abbreviated int. or intel. ) is not information, but the product of evaluated information, valued for its currency and relevance rather than its detail or accuracy mdash;in contrast with data which typically refers to precise or… … Wikipedia
Intelligence collection management — is the process of managing and organizing the collection of intelligence information from various sources. The collection department of an intelligence organization may attempt basic validation of that which it collects, but is not intended to… … Wikipedia
Network Access Control — (NAC) is an approach to computer network security that attempts to unify endpoint security technology (such as antivirus, host intrusion prevention, and vulnerability assessment), user or system authentication and network security… … Wikipedia
Network centrics — is the emerging discipline of applying and enhancing networking and computing concepts and implementation technologies in a variety of social, business, content distribution, and communication domains involving interactions amongst the domain… … Wikipedia
Зачем в России столько виртуальных операторов и кому нужен свой MVNO
Об эксперте: Сергей Волков, директор по развитию сегмента виртуальных операторов и партнерств Tele2.
Откуда берутся MVNO
Виртуальный оператор мобильной связи, или MVNO (mobile virtual network operator) — это компания, которая оказывает услуги связи под своим брендом, но работает на инфраструктуре другого оператора. Обычно его называют материнским, или хост-оператором.
В Европе и США количество виртуальных операторов связи исчисляется десятками, число их абонентов — миллионами человек, выручка — миллиардами долларов. В одной только Великобритании услуги оказывают 87 виртуальных операторов, в Штатах — 73. По данным GSMA Intelligence, количество действующих MVNO по всему миру превышает 1,2 тыс.
Только за последние пару лет появились десятки интересных MVNO-проектов: от виртуальных операторов футбольных клубов в Бразилии и Испании, кофейного сообщества Tchibo до MVNO с криптокошельком внутри экосистемы и другими финансовыми сервисами. Такие проекты создают на рынке абсолютно новый тренд, бесшовно встраивая цифровые деньги в нашу повседневную жизнь.
Почему MVNO так популярны на Западе
Во-первых, они появились задолго до того, как это произошло в России. Регуляторы осознали важность здоровой конкуренции на рынке сотовой связи и подготовили нормативную базу для успешного развития MVNO-индустрии заметно раньше, чем у нас.
Во-вторых, на Западе много компаний-агрегаторов: для них создание MVNO — отдельный бизнес, который они поставили на поток.
И в-третьих, западные MVNO «попали» в своего потребителя: нашли уникальную нишу, создали правильный продукт для целевой аудитории и не пытались быть оператором связи для всех.
Британский MVNO-проект GiffGaff ориентируется на молодежь. Пользователям из поколения Z он предлагает недорогую связь и мобильный интернет. После запуска в 2009 году GiffGaff ввел пакетные тарифы, которые состояли из набора минут, SMS, дата-трафика и назывались «коробками с подарками» (от англ. goody bags). Идея таких пакетов возникла на форумах сообщества проекта. Позже появились «коробки», которые включали в себя только мобильный интернет.
Tesco Mobile — еще один успешный британский виртуальный оператор. Его запустила популярная торговая сеть Tesco. MVNO-проект работает в четырех странах, количество его клиентов только в Великобритании превышает 4 млн.
Tesco Mobile предлагает своим пользователям удобный конвергентный продукт на стыке телекома и ретейла: скидки в магазинах на разные бренды Tesco, удвоение гигабайтов для обладателей клубной карты, бонусные баллы, семейный тариф с бонусами для всех членов семьи.
Как MVNO развивается в России
То, что бизнес MVNO может быть коммерчески успешен и в России, впервые стало понятно после взлета Yota в 2014 году (MVNO на сети «Мегафона»). Тогда доля виртуальных операторов на мобильном рынке страны составляла порядка 1% абонентов.
Спустя два года на развитии этого направления сфокусировалась Tele2. Чтобы сделать интеграцию систем более простой, а запуск виртуальных операторов быстрым и доступным по цене, мы вместе с партнером «ТВЕ-телеком» проинвестировали в покупку специальной технологической платформы — MVNE (mobile virtual network enabler). Она помогла поставить запуск виртуальных операторов на поток и радикально снизила порог входа в MVNO-бизнес, сделав его доступным компаниям любого уровня.
Если оценить абонентскую базу наших MVNO-партнеров, мы увидим, что с момента старта первого проекта в конце 2016 года она выросла с нуля до 4,5 млн абонентов по состоянию на конец октября 2020-го. При этом число абонентов основного бизнеса Tele2 также уверенно росло.
В 2020 году MVNO-проекты в России стали появляться один за другим. Только за последние несколько месяцев начали работать сразу три новых виртуальных мобильных оператора. Так, в сентябре на рынок вышел Migo Mobile от бизнес-блогера Азама Ходжаева. В начале декабря о создании виртуального оператора Eagle Mobile объявил действующий чемпион UFC в легком весе Хабиб Нурмагомедов. А следом за ним свой MVNO-проект запустил «Газпромбанк».
Всего в нашей стране сейчас действует больше 20 MVNO, и почти все они запущены на сети Tele2.
Российские виртуальные операторы обслуживают в общей сложности порядка 11,5 млн клиентов, то есть около 4,4% всех мобильных абонентов страны. По итогам 2020-го клиентская база MVNO-проектов увеличилась на 16% — и это на фоне стагнирующего рынка мобильной связи.
Что MVNO дают операторам и абонентам
По статистике, более 80% клиентов не задумываются о том, что MVNO работает на инфраструктуре какого-то мобильного оператора. Пользователи полагают, что связь предоставляет сам бренд. Это позволяет нетелеком-компаниям быть ближе к людям.
Для клиентов это способ решать все насущные вопросы в режиме «одного окна» и пользоваться всеми преимуществами экосистемы любимого бренда. Для компании, которая интегрирует мобильную связь в основной бизнес, она становится связующим звеном и объединяет разные элементы экосистемы.
На чем же тогда зарабатывает материнский оператор и почему MVNO-проекты для него не конкуренты? Виртуальные операторы, которые работают на сети Tele2, платят нам только за трафик: количество минут, гигабайтов, SMS, которые понадобились клиентам. По сути, мы продаем «трубу» и зарабатываем на этом — монетизируем нашу сеть.
Но есть нюанс: мы как хост-оператор не тратим деньги на создание и развитие продукта, на привлечение новых клиентов и маркетинг, на зарплату сотрудникам. После запуска виртуального оператора эти затраты несет партнер.
Запуск MVNO-проектов помогает нам привлекать новых клиентов на высоконасыщенном и очень конкурентном рынке. Ведь любой клиент нашего виртуального оператора одновременно является и нашим пользователем, поскольку «живет» именно в нашей сети.
Сколько стоит запуск собственного оператора
MVNO-проект можно встроить практически в любой бизнес, будь то футбольный клуб, бренд кофе, сообщество поклонников кукол Barbie, социальная сеть, коммерческий банк или интернет-провайдер.
Размер инвестиций, которые нужны для входа в этот бизнес, варьируется в зависимости от модели работы виртуального оператора. Запуск собственного MVNO-проекта доступен не только большим корпорациям — его может создать компания или медийная личность с лояльной клиентской базой.
Какими могут быть модели запуска MVNO
Light MVNO (агент). Такая модель предполагает, что виртуальный оператор (агент) запускает продукт под своим брендом, со своим приложением и тарифами, занимается маркетингом и продажами, обслуживает клиентов. Все остальное он берет у компании-партнера, которая сама является MVNO-проектом. На запуск виртуального оператора по этой модели понадобится от 3 до 10 млн руб.
MVNE-платформа. Оператор, который запускается по этой модели, обладает большей степенью самостоятельности, получает свою нумерацию, лицензию на оказание услуг связи. Такой MVNO может создавать любые конвергентные со своим основным бизнесом продукты. На стороне виртуального оператора остается маркетинг, обслуживание, продажи, прием платежей, продукт. Размер инвестиций — от 20 млн до 50 млн руб.
Medium MVNO. Эта модель запуска подразумевает, что на стороне материнского оператора остается сеть радиодоступа и часть инфраструктуры. Виртуальный оператор берет на себя биллинг, разработку продукта и его кастомизацию, продажи, обслуживание, маркетинг. Такой оператор получает свою нумерацию и самостоятельно лицензирует работу. На запуск виртуального оператора по этой модели понадобится от 70 млн до 300 млн руб.
Full MVNO. Такой виртуальный оператор максимально независим от материнского, он арендует только сеть радиодоступа, а всю остальную инфраструктуру покупает сам. Эта модель запуска MVNO потребует максимальных вложений — от 500 млн до 1 млрд руб.
Как запустить собственного виртуального оператора:
Как будет развиваться рынок
Допускаю, что рынок традиционных телеком-операторов в нынешнем виде перестанет существовать в течение ближайших пяти-десяти лет. Он трансформируется либо в экосистемы, где мобильная связь будет лишь транспортом и связующим звеном, либо — в «трубу» для множества разных брендов.
Так или иначе, российские MVNO внесут свой вклад в развитие мировой индустрии. По нашим прогнозам, к 2025 году виртуальные операторы будут обслуживать 10-15% российского мобильного рынка в России. А к 2030-му — уже около 20%.
Подписывайтесь также на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.
Сетевой интеллект
Сетевой интеллект (Network intelligence) – это программное обеспечение предназначенное для:
— управления сетевыми функциями сервисных узлов
— контроля предоставляемых услуг
— управления дополнительными сервисами (оставление голосовых сообщений, приём многочастотных сигналов от пользователей в цифровом виде и т.д.)
150. Сетевое управление: уровни
5 уровней сетевого управления:
1) Уровень сетевых элементов (сетевой элемент (NE) – любое сетевое оборудование, начиная от систем коммутации и передачи заканчивая компьютерами и другими оконченными устройствами)
На этом уровне производится:
— отображение параметров работы элементов
2) Уровень управления элементами (группами элементов)
На этом уровне производится:
— отображение параметров их работы
— конфигурирование, применительно к отдельным элементам сети или к некоторому их сочетанию
3) Уровень управления сетью
На этом уровне производятся операции изменения конфигурации и параметров сети, исходя из решений, принятых на следующем уровне, а так же исходя из анализа сообщений, поступающих от объектов наблюдения с нижнего уровня.
4) Уровень управления обслуживанием
На этом уровне производится:
— решения по предоставлению услуг
— планирование и учёт
— описание функций для управления качеством обслуживания
(Основная задача – обеспечение качества обслуживания)
5) Уровень административного управления
— обеспечивается функционирование сетевых операторов
— решаются организационные и финансовые вопросы
— анализируются тенденции качество результатов
— производится взаимодействие с другими операторами
— устанавливаются стратегические цели развития (контракты с внешними операторами и государственными органами)
AI для людей: простыми словами о технологиях
Представляем исчерпывающую шпаргалку, где мы простыми словами рассказываем, из чего «делают» искусственный интеллект и как это все работает.
В чем разница между Artificial Intelligence, Machine Learning и Data Science?
Artificial Intelligence — AI (Искусственный Интеллект)
В глобальном общечеловеческом смысле ИИ — термин максимально широкий. Он включает в себя как научные теории, так и конкретные технологические практики по созданию программ, приближенных к интеллекту человека.
Machine Learning — ML (Машинное обучение)
Раздел AI, активно применяющийся на практике. Сегодня, когда речь заходит об использовании AI в бизнесе или на производстве, чаще всего имеется в виду именно Machine Learning.
ML-алгоритмы, как правило, работают по принципу обучающейся математической модели, которая производит анализ на основе большого объема данных, при этом выводы делаются без следования жестко заданным правилам.
Наиболее частый тип задач в машинном обучении — это обучение с учителем. Для решения такого рода задач используется обучение на массиве данных, по которым ответ заранее известен (см.ниже).
Data Science — DS (Наука о данных)
Наука и практика анализа больших объемов данных с помощью всевозможных математических методов, в том числе машинного обучения, а также решение смежных задач, связанных со сбором, хранением и обработкой массивов данных.
Data Scientists — специалисты по работе с данными, в частности, проводящие анализ при помощи machine learning.
Как работает Machine Learning?
Рассмотрим работу ML на примере задачи банковского скоринга. Банк располагает данными о существующих клиентах. Ему известно, есть ли у кого-то просроченные платежи по кредитам. Задача — определить, будет ли новый потенциальный клиент вовремя вносить платежи. По каждому клиенту банк обладает совокупностью определенных черт/признаков: пол, возраст, ежемесячный доход, профессия, место проживания, образование и пр. В числе характеристик могут быть и слабоструктурированные параметры, такие как данные из соцсетей или история покупок. Кроме того, данные можно обогатить информацией из внешних источников: курсы валют, данные кредитных бюро и т. п.
Машина видит любого клиента как совокупность признаков: 
. Где, например, 
— возраст, 
— доход, а 
— количество фотографий дорогих покупок в месяц (на практике в рамках подобной задачи Data Scientist работает с более чем сотней признаков). Каждому клиенту соответствует еще одна переменная — 
с двумя возможными исходами: 1 (есть просроченные платежи) или 0 (нет просроченных платежей).
Совокупность всех данных 
и — есть Data Set. Используя эти данные, Data Scientist создает модель 
, подбирая и дорабатывая алгоритм машинного обучения.
В этом случае модель анализа выглядит так:
Алгоритмы машинного обучения подразумевают поэтапное приближение ответов модели к истинным ответам (которые в обучающем Data Set известны заранее). Это и есть обучение с учителем на определенной выборке.
На практике чаще всего машина обучается лишь на части массива (80 %), применяя остаток (20 %) для проверки правильности выбранного алгоритма. Например, система может обучаться на массиве, из которого исключены данные пары регионов, на которых сверяется точность модели после.
Теперь, когда в банк приходит новый клиент, по которому еще не известен банку, система подскажет надежность плательщика, основываясь на известных о нем данных .
Однако, обучение с учителем — не единственный класс задач, которые способна решать ML.
Другой спектр задач — кластеризация, способная разделять объекты по признакам, например, выявлять разные категории клиентов для составления им индивидуальных предложений.
Также с помощью ML-алгоритмов решаются такие задачи, как моделирование общения специалиста поддержки или создание художественных произведений, неотличимых от сотворенных человеком (например, нейросети рисуют картины).
Новый и популярный класс задач — обучение с подкреплением, которое проходит в ограниченной среде, оценивающей действия агентов (например, с помощью такого алгоритма удалось создать AlphaGo, победившую человека в Го).
Нейронная сеть
Один из методов Machine Learning. Алгоритм, вдохновленный структурой человеческого мозга, в основе которой лежат нейроны и связи между ними. В процессе обучения происходит подстройка связей между нейронами таким образом, чтобы минимизировать ошибки всей сети.
Особенностью нейронных сетей является наличие архитектур, подходящих практически под любой формат данных: сверточные нейросети для анализа картинок, рекуррентные нейросети для анализа текстов и последовательностей, автоэнкодеры для сжатия данных, генеративные нейросети для создания новых объектов и т. д.
В то же время практически все нейросети обладают существенным ограничением — для их обучения нужно большое количество данных (на порядки большее, чем число связей между нейронами в этой сети). Благодаря тому, что в последнее время объемы готовых для анализа данных значительно выросли, растет и сфера применения. С помощью нейросетей сегодня, например, решаются задачи распознавания изображений, такие как определение по видео возраста и пола человека, или наличие каски на рабочем.
Интерпретация результата
Раздел Data Science, позволяющий понять причины выбора ML-моделью того или иного решения.
Существует два основных направления исследований:
Естественно, производство интересует не только прогноз самого брака, но и интерпретация результата, т. е. причины брака для их последующего устранения. Это может быть долгое отсутствие тех.обслуживания станка, качество сырья, или просто аномальные показания некоторых датчиков, на которые технологу стоит обратить внимание.
Потому в рамках проекта прогноза брака на производстве должна быть не просто создана ML-модель, но и проделана работа по её интерпретации, т. е. по выявлению факторов, влияющих на брак.
Когда эффективно применение машинного обучения?
Когда есть большой набор статистических данных, но найти в них зависимости экспертными или классическими математическими методами невозможно или очень трудоемко. Так, если на входе есть более тысячи параметров (среди которых как числовые, так и текстовые, а также видео, аудио и картинки), то найти зависимость результата от них без машины невозможно.
Например, на химическую реакцию кроме самих вступающих во взаимодействие веществ влияет множество параметров: температура, влажность, материал емкости, в которой она происходит, и т. д. Химику сложно учесть все эти признаки, чтобы точно рассчитать время реакции. Скорее всего, он учтет несколько ключевых параметров и будет основываться на своем опыте. В то же время на основании данных предыдущих реакций машинное обучение сможет учесть все признаки и дать более точный прогноз.
Как связаны Big Data и машинное обучение?
Для построения моделей машинного обучения требуются в разных случаях числовые, текстовые, фото, видео, аудио и иные данные. Для того чтобы эту информацию хранить и анализировать существует целая область технологий — Big Data. Для оптимального накопления данных и их анализа создают «озера данных» (Data Lake) — специальные распределенные хранилища для больших объемов слабоструктированной информации на базе технологий Big Data.
Цифровой двойник как электронный паспорт
Цифровой двойник — виртуальная копия реального материального объекта, процесса или организации, которая позволяет моделировать поведение изучаемого объекта/процесса. Например, можно предварительно увидеть результаты изменения химического состава на производстве после изменений настроек производственных линий, изменений продаж после проведения рекламной кампании с теми или иными характеристиками и т. д. При этом прогнозы строятся цифровым двойником на основе накопленных данных, а сценарии и будущие ситуации моделируются в том числе методами машинного обучения.
Что нужно для качественного машинного обучения?
Data Scientiest’ы! Именно они создают алгоритм прогноза: изучают имеющиеся данные, выдвигают гипотезы, строят модели на основе Data Set. Они должны обладать тремя основными группами навыков: IT-грамотностью, математическими и статистическими знаниями и содержательным опытом в конкретной области.
Машинное обучение стоит на трех китах
Получение данных
Могут быть использованы данные из смежных систем: график работ, план продаж. Данные могут быть также обогащены внешними источниками: курсы валют, погода, календарь праздников и т. д. Необходимо разработать методику работы с каждым типом данных и продумать конвейер их преобразования в формат модели машинного обучения (набор чисел).
Построение признаков
Проводится вместе с экспертами из необходимой области. Это помогает вычислить данные, которые хорошо подходят для прогнозирования целей: статистика и изменение количества продаж за последний месяц для прогноза рынка.
Модель машинного обучения
Метод решения поставленной бизнес-задачи выбирает data scientist самостоятельно на основании своего опыта и возможностей различных моделей. Под каждую конкретную задачу необходимо подобрать отдельный алгоритм. От выбранного метода напрямую зависят скорость и точность результата обработки исходных данных.
Процесс создания ML-модели.
От гипотезы до результата
1. Всё начинается с гипотезы
Гипотеза рождается при анализе проблемного процесса, опыта сотрудников или при свежем взгляде на производство. Как правило, гипотеза затрагивает такой процесс, где человек физически не может учесть множество факторов и пользуется округлениями, допущениями или просто делает так, как всегда делал.
В таком процессе применение машинного обучения позволяет использовать существенно больше информации при принятии решений, поэтому, возможно, удается достичь существенно лучших результатов. Плюс ко всему, автоматизация процессов с помощью ML и снижение зависимости от конкретного человека существенно минимизируют человеческий фактор (болезнь, низкая концентрация и т. д.).
2. Оценка гипотезы
На основании сформулированной гипотезы выбираются данные, необходимые для разработки модели машинного обучения. Осуществляется поиск соответствующих данных и оценка их пригодности для встраивания модели в текущие процессы, определяется, кто будет ее пользователями и за счет чего достигается эффект. При необходимости вносятся организационные и любые другие изменения.
3. Расчет экономического эффекта и возврата инвестиций (ROI)
Оценка экономического эффекта внедряемого решения производится специалистами совместно с соответствующими департаментами: эффективности, финансов и т. д. На данном этапе необходимо понять, что именно является метрикой (количество верно выявленных клиентов / увеличение выпуска продукции / экономия расходных материалов и т. п.) и четко сформулировать измеряемую цель.
4. Математическая постановка задачи
После понимания бизнес-результата его необходимо переложить в математическую плоскость — определить метрики измерений и ограничения, которые нельзя нарушать. Данные этапы data
scientist выполняет совместно с бизнес-заказчиком.
5. Сбор и анализ данных
Необходимо собрать данные в одном месте, проанализировать их, рассматривая различные статистики, понять структуру и скрытые взаимосвязи этих данных для формирования признаков.
6. Создание прототипа
Является, по сути, проверкой гипотезы. Это возможность построения модели на текущих данных и первичной проверки результатов ее работы. Обычно прототип делается на имеющихся данных без разработки интеграций и работы с потоком в реальном времени.
Создание прототипа — быстрый и недорогой способ проверить, решаема ли задача. Это весьма полезно в том случае, когда невозможно заранее понять, получится ли достичь нужного экономического эффекта. К тому же процесс создания прототипа позволяет лучше оценить объем и подробности проекта по внедрению решения, подготовить экономическое обоснование такого внедрения.
DevOps и DataOps
В процессе эксплуатации может появится новый тип данных (например, появится ещё один датчик на станке или же на складе появится новый тип товаров) тогда модель нужно дообучить. DevOps и DataOps — методологии, которые помогают настроить совместную работу и сквозные процессы между командами Data Science, инженерами по подготовке данных, службами разработки и эксплуатации ИТ-систем, и помогают сделать такие дополнения частью текущего процесса быстро, без ошибок и без решения каждый раз уникальных проблем.
7. Создание решения
В тот момент, когда результаты работы прототипа демонстрируют уверенное достижение показателей, создается полноценное решение, где модель машинного обучения является лишь составляющей изучаемых процессов. Далее производится интеграция, установка необходимого оборудования, обучение персонала, изменение процессов принятия решений и т. Д.
8. Опытная и промышленная эксплуатация
Во время опытной эксплуатации система работает в режиме советов, в то время как специалист еще повторяет привычные действия, каждый раз давая обратную связь о необходимых улучшениях системы и увеличении точности прогнозов.
Финальная часть — промышленная эксплуатация, когда налаженные процессы переходят на полностью автоматическое обслуживание.
Шпаргалку можно скачать по ссылке.
Завтра на форуме по системам искусственного интеллекта RAIF 2019 в 09:30 — 10:45 состоится панельная дискуссия: «AI для людей: разбираемся простыми словами».
В этой секции в формате дебатов спикеры объяснят простыми словами на жизненных примерах сложные технологии. А также подискутируют на следующие темы:
Николай Марин, директор по технологиям, IBM в России и СНГ
Алексей Натекин, основатель, Open Data Science x Data Souls
Алексей Хахунов, технический директор, Dbrain
Евгений Колесников, директор Центра машинного обучения, Инфосистемы Джет
Павел Доронин, CEO, AI Today
Дискуссия будет доступна на канале YouTube «Инфосистемы Джет» в конце октября.