ProHoster > Blogs > Administrācija > Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

ProgrammatÅ«ras sistēmu rÅ«pnieciskā attÄ«stÄ«ba prasa lielu uzmanÄ«bu gala produkta kļūdu tolerancei, kā arÄ« ātrai reaģēŔanai uz kļūmēm un kļūmēm, ja tās rodas. UzraudzÄ«ba, protams, palÄ«dz efektÄ«vāk un ātrāk reaģēt uz kļūmēm un kļūmēm, bet ne pietiekami. Pirmkārt, ir ļoti grÅ«ti izsekot lielam serveru skaitam ā€“ nepiecieÅ”ams liels skaits cilvēku. Otrkārt, jums ir labi jāizprot lietojumprogrammas darbÄ«ba, lai prognozētu tās stāvokli. Tāpēc mums ir nepiecieÅ”ams daudz cilvēku, kas labi izprot mÅ«su izstrādātās sistēmas, to veiktspēju un funkcijas. Pieņemsim, ka pat tad, ja atrodat pietiekami daudz cilvēku, kas vēlas to darÄ«t, viņu apmācÄ«ba joprojām aizņem daudz laika.

Ko darÄ«t? Å eit mums palÄ«gā nāk mākslÄ«gais intelekts. Rakstā tiks runāts par paredzamā apkope (prognozējoŔā apkope). Å Ä« pieeja aktÄ«vi iegÅ«st popularitāti. Ir rakstÄ«ts liels skaits rakstu, tostarp par Habrē. Lielie uzņēmumi pilnÄ«bā izmanto Å”o pieeju, lai uzturētu savu serveru veiktspēju. IzpētÄ«juÅ”i lielu skaitu rakstu, mēs nolēmām izmēģināt Å”o pieeju. Kas no tā sanāca?

Ievads

Izstrādātā programmatÅ«ras sistēma agri vai vēlu sāk darboties. Lietotājam ir svarÄ«gi, lai sistēma darbotos bez kļūmēm. Ja rodas ārkārtas situācija, tā ir jāatrisina ar minimālu kavÄ“Å”anos.

Lai vienkārÅ”otu programmatÅ«ras sistēmas tehnisko atbalstu, it Ä«paÅ”i, ja ir daudz serveru, parasti tiek izmantotas uzraudzÄ«bas programmas, kas ņem metriku no darbinātas programmatÅ«ras sistēmas, ļauj diagnosticēt tās stāvokli un palÄ«dz noteikt, kas tieÅ”i izraisÄ«ja kļūmi. Å o procesu sauc par programmatÅ«ras sistēmas uzraudzÄ«bu.

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

1. attēls. Grafana uzraudzības interfeiss

Metrika ir dažādi programmatÅ«ras sistēmas, tās izpildes vides vai fiziskā datora, kurā sistēma darbojas, indikatori ar metrikas saņemÅ”anas brīža laikspiedolu. Statiskajā analÄ«zē Å”os rādÄ«tājus sauc par laikrindām. Lai pārraudzÄ«tu programmatÅ«ras sistēmas stāvokli, metrika tiek parādÄ«ta grafiku veidā: laiks ir uz X ass, un vērtÄ«bas ir gar Y asi (1. attēls). Vairākus tÅ«kstoÅ”us metrikas var iegÅ«t no darbojas programmatÅ«ras sistēmas (no katra mezgla). Tie veido metriku telpu (daudzdimensiju laika rindas).

Tā kā sarežģītām programmatÅ«ras sistēmām tiek savākts liels skaits metrikas, manuāla uzraudzÄ«ba kļūst par sarežģītu uzdevumu. Lai samazinātu administratora analizēto datu apjomu, uzraudzÄ«bas rÄ«ki satur rÄ«kus, kas automātiski identificē iespējamās problēmas. Piemēram, varat konfigurēt aktivizētāju, lai tas tiktu aktivizēts, ja brÄ«vā diska vieta nokrÄ«tas zem noteiktā sliekŔņa. Varat arÄ« automātiski diagnosticēt servera izslēgÅ”anu vai kritisku pakalpojuma ātruma samazināŔanos. Praksē uzraudzÄ«bas rÄ«ki labi palÄ«dz atklāt jau notikuÅ”as kļūmes vai identificēt vienkārÅ”us turpmāko kļūmju simptomus, taču kopumā iespējamās kļūmes prognozÄ“Å”ana tiem joprojām ir grÅ«ts rieksts. PrognozÄ“Å”anai, izmantojot metriku manuālu analÄ«zi, ir jāiesaista kvalificēti speciālisti. Tā ir zema produktivitāte. Lielākā daļa iespējamo kļūmju var palikt nepamanÄ«tas.

Pēdējā laikā lielo IT programmatÅ«ras izstrādes kompāniju vidÅ« arvien populārāka kļūst tā sauktā programmatÅ«ras sistēmu prognozējoŔā apkope. Å Ä«s pieejas bÅ«tÄ«ba ir atrast problēmas, kas izraisa sistēmas degradāciju agrÄ«nā stadijā, pirms tā neizdodas, izmantojot mākslÄ«go intelektu. Å Ä« pieeja pilnÄ«bā neizslēdz sistēmas manuālo uzraudzÄ«bu. Tas ir palÄ«glÄ«dzeklis uzraudzÄ«bas procesam kopumā.

Galvenais paredzamās apkopes ievieÅ”anas rÄ«ks ir uzdevums meklēt anomālijas laikrindās, kopÅ” kad notiek anomālija datos pastāv liela varbÅ«tÄ«ba, ka pēc kāda laika bÅ«s neveiksme vai neveiksme. Anomālija ir noteikta novirze programmatÅ«ras sistēmas veiktspējā, piemēram, viena veida pieprasÄ«juma izpildes ātruma pasliktināŔanās identificÄ“Å”ana vai apkalpoto pieprasÄ«jumu vidējā skaita samazināŔanās nemainÄ«gā klienta sesiju lÄ«menÄ«.

ProgrammatÅ«ras sistēmu anomāliju meklÄ“Å”anas uzdevumam ir sava specifika. Teorētiski katrai programmatÅ«ras sistēmai ir nepiecieÅ”ams izstrādāt vai pilnveidot esoŔās metodes, jo anomāliju meklÄ“Å”ana ir ļoti atkarÄ«ga no datiem, kuros tā tiek veikta, un programmatÅ«ras sistēmu dati ievērojami atŔķiras atkarÄ«bā no sistēmas ievieÅ”anas rÄ«kiem. , atkarÄ«bā no tā, kurā datorā tas darbojas.

Metodes anomāliju meklÄ“Å”anai, prognozējot programmatÅ«ras sistēmas kļūmes

Pirmkārt, ir vērts teikt, ka ideja par neveiksmju prognozÄ“Å”anu tika iedvesmota no raksta "MaŔīnmācÄ«ba IT uzraudzÄ«bā". Lai pārbaudÄ«tu pieejas efektivitāti ar automātisku anomāliju meklÄ“Å”anu, tika izvēlēta Web-Consolidation programmatÅ«ras sistēma, kas ir viens no uzņēmuma NPO Krista projektiem. IepriekÅ” tam tika veikta manuāla uzraudzÄ«ba, pamatojoties uz saņemtajiem rādÄ«tājiem. Tā kā sistēma ir diezgan sarežģīta, tai tiek izmantots liels skaits metriku: JVM indikatori (atkritumu savācēja slodze), OS indikatori, saskaņā ar kuriem kods tiek izpildÄ«ts (virtuālā atmiņa, % OS CPU slodze), tÄ«kla indikatori (tÄ«kla slodze). ), pats serveris (CPU slodze, atmiņa), savvaļas lidojuma metrika un paÅ”as lietojumprogrammas metrika visām kritiskajām apakÅ”sistēmām.

Visi rādÄ«tāji tiek ņemti no sistēmas, izmantojot grafÄ«tu. Sākotnēji čukstu datubāze tika izmantota kā grafana standarta risinājums, taču, pieaugot klientu lokam, grafÄ«ts vairs netika galā, jo bija iztērējis lÄ«dzstrāvas disku apakÅ”sistēmas jaudu. Pēc tam tika nolemts rast efektÄ«vāku risinājumu. Izvēle tika izdarÄ«ta par labu grafÄ«ts+clickhouse, kas ļāva par lielumu samazināt diska apakÅ”sistēmas slodzi un piecas lÄ«dz seÅ”as reizes samazināt aizņemto diska vietu. Zemāk ir diagramma par metrikas vākÅ”anas mehānismu, izmantojot grafÄ«ts+klikŔķa māja (2. attēls).

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

2. attēls. Metrikas vākÅ”anas shēma

Diagramma ir ņemta no iekŔējās dokumentācijas. Tas parāda saziņu starp grafānu (mÅ«su izmantoto uzraudzÄ«bas lietotāja interfeisu) un grafÄ«tu. Metrikas noņemÅ”ana no lietojumprogrammas tiek veikta, izmantojot atseviŔķu programmatÅ«ru - jmxtrans. ViņŔ tos ieliek grafÄ«tā.
TÄ«mekļa konsolidācijas sistēmai ir vairākas funkcijas, kas rada problēmas kļūmju prognozÄ“Å”anā:

  1. Tendence bieži mainās. Å ai programmatÅ«ras sistēmai ir pieejamas dažādas versijas. Katrs no tiem ienes izmaiņas sistēmas programmatÅ«ras daļā. AttiecÄ«gi Ŕādā veidā izstrādātāji tieÅ”i ietekmē noteiktās sistēmas rādÄ«tājus un var izraisÄ«t tendences izmaiņas;
  2. ievieÅ”anas funkcija, kā arÄ« mērÄ·i, kādiem klienti izmanto Å”o sistēmu, bieži izraisa anomālijas bez iepriekŔējas degradācijas;
  3. anomāliju procentuālais daudzums attiecībā pret visu datu kopu ir neliels (< 5%);
  4. Indikatoru saņemÅ”anā no sistēmas var bÅ«t nepilnÄ«bas. Dažos Ä«sos laika periodos uzraudzÄ«bas sistēmai neizdodas iegÅ«t metriku. Piemēram, ja serveris ir pārslogots. Tas ir ļoti svarÄ«gi, lai apmācÄ«tu neironu tÄ«klu. Ir nepiecieÅ”ams sintētiski aizpildÄ«t nepilnÄ«bas;
  5. GadÄ«jumi ar anomālijām bieži attiecas tikai uz konkrētu datumu/mēnesi/laiku (sezonalitāte). Å ai sistēmai ir skaidri noteikumi par tās lietoÅ”anu lietotājiem. AttiecÄ«gi rādÄ«tāji attiecas tikai uz noteiktu laiku. Sistēmu nevar izmantot pastāvÄ«gi, bet tikai dažos mēneÅ”os: selektÄ«vi atkarÄ«bā no gada. Rodas situācijas, kad viena un tā pati metrikas darbÄ«ba vienā gadÄ«jumā var izraisÄ«t programmatÅ«ras sistēmas kļūmi, bet citā gadÄ«jumā ne.
    Sākumā tika analizētas programmatÅ«ras sistēmu uzraudzÄ«bas datu anomāliju noteikÅ”anas metodes. Rakstos par Å”o tēmu, kad anomāliju procentuālais daudzums salÄ«dzinājumā ar pārējo datu kopu ir neliels, visbiežāk tiek piedāvāts izmantot neironu tÄ«klus.

Pamata loÄ£ika anomāliju meklÄ“Å”anai, izmantojot neironu tÄ«kla datus, ir parādÄ«ta 3. attēlā:

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

3. attēls. Anomāliju meklÄ“Å”ana, izmantojot neironu tÄ«klu

Pamatojoties uz paÅ”reizējās metrikas plÅ«smas loga prognozes vai atjaunoÅ”anas rezultātu, tiek aprēķināta novirze no esoŔās programmatÅ«ras sistēmas. Ja ir liela atŔķirÄ«ba starp metriku, kas iegÅ«ta no programmatÅ«ras sistēmas un neironu tÄ«kla, mēs varam secināt, ka paÅ”reizējais datu segments ir anomāls. Izmantojot neironu tÄ«klus, rodas Ŕādas problēmas:

  1. lai pareizi darbotos straumÄ“Å”anas režīmā, neironu tÄ«klu modeļu apmācÄ«bas datos jāietver tikai ā€œparastieā€ dati;
  2. pareizai noteikÅ”anai ir nepiecieÅ”ams atjaunināts modelis. Metrikas tendenču un sezonalitātes maiņa modelÄ« var izraisÄ«t lielu skaitu kļūdaini pozitÄ«vu rezultātu. Lai to atjauninātu, ir skaidri jānosaka laiks, kad modelis ir novecojis. Ja modeli atjaunināsit vēlāk vai agrāk, visticamāk, sekos liels skaits viltus pozitÄ«vu rezultātu.
    Mēs nedrÄ«kstam aizmirst arÄ« par viltus pozitÄ«vu rezultātu biežu meklÄ“Å”anu un novērÅ”anu. Tiek pieņemts, ka tie visbiežāk notiks ārkārtas situācijās. Tomēr tās var bÅ«t arÄ« neironu tÄ«kla kļūdas sekas nepietiekamas apmācÄ«bas dēļ. Ir nepiecieÅ”ams lÄ«dz minimumam samazināt modeļa viltus pozitÄ«vu rezultātu skaitu. Pretējā gadÄ«jumā nepatiesas prognozes tērēs daudz administratora laika, kas paredzēts sistēmas pārbaudei. Agrāk vai vēlāk administrators vienkārÅ”i pārtrauks reaģēt uz "paranojas" uzraudzÄ«bas sistēmu.

Atkārtots neironu tīkls

Lai noteiktu anomālijas laika rindās, varat izmantot atkārtots neironu tīkls ar LSTM atmiņu. Vienīgā problēma ir tā, ka to var izmantot tikai prognozētajām laikrindām. Mūsu gadījumā ne visi rādītāji ir paredzami. Mēģinājums piemērot RNN LSTM laikrindai parādīts 4. attēlā.

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

4. attēls. Atkārtota neironu tÄ«kla piemērs ar LSTM atmiņas Ŕūnām

Kā redzams 4. attēlā, RNN LSTM Å”ajā laika periodā spēja tikt galā ar anomāliju meklÄ“Å”anu. Ja rezultātam ir liela prognozÄ“Å”anas kļūda (vidējā kļūda), faktiski ir notikusi rādÄ«tāju anomālija. AcÄ«mredzot nepietiks ar viena RNN LSTM izmantoÅ”anu, jo tas ir piemērojams nelielam skaitam metrikas. Var izmantot kā palÄ«gmetodi anomāliju meklÄ“Å”anai.

Autoencoder kļūmes prognozÄ“Å”anai

Autoencoder ā€“ bÅ«tÄ«bā mākslÄ«gs neironu tÄ«kls. Ievades slānis ir kodētājs, izvades slānis ir dekodētājs. Visu Ŕāda veida neironu tÄ«klu trÅ«kums ir tāds, ka tie slikti lokalizē anomālijas. Tika izvēlēta sinhronā automātiskā kodētāja arhitektÅ«ra.

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

5. attēls. Autoencoder darbības piemērs

Autokodētāji tiek apmācÄ«ti normāliem datiem un pēc tam modelim ievadÄ«tajos datos atrod kaut ko anomālu. TieÅ”i tas, kas nepiecieÅ”ams Å”im uzdevumam. Atliek tikai izvēlēties, kurÅ” automātiskais kodētājs ir piemērots Å”im uzdevumam. Arhitektoniski vienkārŔākā automātiskā kodētāja forma ir uz priekÅ”u neatgriežoÅ”s neironu tÄ«kls, kas ir ļoti lÄ«dzÄ«gs daudzslāņu perceptrons (daudzslāņu perceptrons, MLP), ar ievades slāni, izvades slāni un vienu vai vairākiem slēptiem slāņiem, kas tos savieno.
Tomēr atŔķirÄ«bas starp automātiskajiem kodētājiem un MLP ir tādas, ka automātiskajā kodētājā izvades slānim ir tāds pats mezglu skaits kā ievades slānim, un tā vietā, lai prognozētu mērÄ·a vērtÄ«bu Y, ko dod ievade X, automātiskais kodētājs tiek apmācÄ«ts. lai rekonstruētu savus X. Tāpēc automātiskās kodÄ“Å”anas ierÄ«ces ir neuzraudzÄ«ti mācÄ«bu modeļi.

Autokodētāja uzdevums ir atrast ieejas vektorā X anomālajiem elementiem atbilstoÅ”os laika indeksus r0 ... rn. Å is efekts tiek panākts, meklējot kļūdu kvadrātā.

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

6. attēls. Sinhronais automātiskais kodētājs

Tika izvēlēts automātiskais kodētājs sinhronā arhitektÅ«ra. Tās priekÅ”rocÄ«bas: iespēja izmantot straumÄ“Å”anas apstrādes režīmu un salÄ«dzinoÅ”i mazāks neironu tÄ«kla parametru skaits, salÄ«dzinot ar citām arhitektÅ«rām.

Mehānisms viltus pozitīvu rezultātu samazināŔanai

Sakarā ar to, ka rodas dažādas anomālijas situācijas, kā arÄ« iespējama nepietiekama neironu tÄ«kla apmācÄ«ba, izstrādātajam anomāliju noteikÅ”anas modelim tika nolemts, ka nepiecieÅ”ams izstrādāt viltus pozitÄ«vu rezultātu minimizÄ“Å”anas mehānismu. Å is mehānisms ir balstÄ«ts uz veidņu bāzi, ko klasificējis administrators.

Dinamiskās laika skalas transformācijas algoritms (DTW algoritms, no angļu valodas dinamiskā laika deformācija) ļauj atrast optimālo atbilstÄ«bu starp laika sekvencēm. Pirmo reizi izmantoja runas atpazÄ«Å”anā: izmanto, lai noteiktu, kā divi runas signāli attēlo vienu un to paÅ”u oriÄ£inālo runāto frāzi. Pēc tam tam tika atrasts pielietojums citās jomās.

Galvenais viltus pozitÄ«vu rezultātu samazināŔanas princips ir standartu datu bāzes apkopoÅ”ana ar operatora palÄ«dzÄ«bu, kas klasificē aizdomÄ«gus gadÄ«jumus, kas atklāti, izmantojot neironu tÄ«klus. Pēc tam klasificētais standarts tiek salÄ«dzināts ar gadÄ«jumu, ko sistēma atklāja, un tiek izdarÄ«ts secinājums par to, vai gadÄ«jums ir nepatiess vai noved pie kļūmes. TieÅ”i divu laikrindu salÄ«dzināŔanai tiek izmantots DTW algoritms. Galvenais samazināŔanas instruments joprojām ir klasifikācija. Paredzams, ka pēc liela skaita atsauces gadÄ«jumu apkopoÅ”anas sistēma operatoram sāks jautāt mazāk, jo vairums gadÄ«jumu ir lÄ«dzÄ«gi un lÄ«dzÄ«gi gadÄ«jumi.

Rezultātā, pamatojoties uz iepriekÅ” aprakstÄ«tajām neironu tÄ«kla metodēm, tika izveidota eksperimentāla programma, lai prognozētu ā€œWeb-Consolidationā€ sistēmas kļūmes. Å Ä«s programmas mērÄ·is bija, izmantojot esoÅ”o uzraudzÄ«bas datu arhÄ«vu un informāciju par iepriekŔējām kļūmēm, novērtēt Ŕīs pieejas kompetenci mÅ«su programmatÅ«ras sistēmām. Programmas shēma parādÄ«ta zemāk 7. attēlā.

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

7. attēls. Atteices prognozÄ“Å”anas shēma, kuras pamatā ir metriskās telpas analÄ«ze

Diagrammā var izdalÄ«t divus galvenos blokus: anomālu laika periodu meklÄ“Å”ana monitoringa datu plÅ«smā (metrikā) un viltus pozitÄ«vu rezultātu minimizÄ“Å”anas mehānisms. PiezÄ«me. Eksperimentāliem nolÅ«kiem dati tiek iegÅ«ti, izmantojot JDBC savienojumu no datu bāzes, kurā grafÄ«ts tos saglabās.
Tālāk ir sniegta izstrādes rezultātā iegūtā monitoringa sistēmas saskarne (8. attēls).

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

8. attēls. Eksperimentālās uzraudzības sistēmas saskarne

Saskarne parāda anomāliju procentuālo daudzumu, pamatojoties uz saņemtajiem rādÄ«tājiem. MÅ«su gadÄ«jumā kvÄ«ts tiek simulēta. Mums jau ir visi dati par vairākām nedēļām, un mēs tos pakāpeniski ielādējam, lai pārbaudÄ«tu anomālijas gadÄ«jumu, kas novedusi pie kļūmes. ApakŔējā statusa joslā tiek parādÄ«ts kopējais datu anomālijas procentuālais daudzums noteiktā laikā, kas tiek noteikts, izmantojot automātisko kodētāju. Tāpat tiek parādÄ«ta atseviŔķa procentuālā daļa prognozētajiem rādÄ«tājiem, ko aprēķina RNN LSTM.

Anomāliju noteikÅ”anas piemērs, pamatojoties uz CPU veiktspēju, izmantojot RNN LSTM neironu tÄ«klu (9. attēls).

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

9. attēls. RNN LSTM atklājums

Izmantojot RNN LSTM, tika veiksmÄ«gi aprēķināts diezgan vienkārÅ”s gadÄ«jums, kas bÅ«tÄ«bā ir parasts izņēmums, bet noveda pie sistēmas kļūmes. Anomālijas rādÄ«tājs Å”ajā laika periodā ir 85ā€“95%, viss, kas pārsniedz 80% (slieksnis noteikts eksperimentāli), tiek uzskatÄ«ts par anomāliju.
Piemērs anomālijas noteikÅ”anai, kad sistēmu nevarēja sāknēt pēc atjaunināŔanas. Å o situāciju nosaka automātiskais kodētājs (10. attēls).

Mēs meklējam anomālijas un prognozējam kļūmes, izmantojot neironu tīklus

10. attēls. Autokodētāja noteikÅ”anas piemērs

Kā redzat attēlā, PermGen ir iestrēdzis vienā lÄ«menÄ«. Autokodētājam tas Ŕķita dÄ«vaini, jo tas nekad agrāk neko tādu nebija redzējis. Å eit anomālija saglabājas 100%, lÄ«dz sistēma atgriežas darba stāvoklÄ«. Visām metrikām tiek parādÄ«ta anomālija. Kā minēts iepriekÅ”, automātiskais kodētājs nevar lokalizēt anomālijas. Šādos gadÄ«jumos operators ir aicināts veikt Å”o funkciju.

Secinājums

PC "Web-Consolidation" tiek izstrādāts vairākus gadus. Sistēma ir diezgan stabilā stāvoklÄ«, un reÄ£istrēto incidentu skaits ir neliels. Tomēr bija iespējams atrast anomālijas, kas noveda pie kļūmes 5ā€“10 minÅ«tes pirms kļūmes. Dažos gadÄ«jumos iepriekŔēja paziņoÅ”ana par atteici palÄ«dzētu ietaupÄ«t plānoto laiku, kas tiek atvēlēts ā€œremontaā€ darbu veikÅ”anai.

Pamatojoties uz veiktajiem eksperimentiem, ir pāragri izdarÄ«t galÄ«gos secinājumus. LÄ«dz Å”im rezultāti ir pretrunÄ«gi. No vienas puses, ir skaidrs, ka algoritmi, kuru pamatā ir neironu tÄ«kli, spēj atrast ā€œnoderÄ«gasā€ anomālijas. No otras puses, saglabājas liels procents viltus pozitÄ«vu, un ne visas anomālijas, ko neironu tÄ«klā atklāj kvalificēts speciālists, ir iespējams atklāt. TrÅ«kumi ietver faktu, ka tagad neironu tÄ«klam nepiecieÅ”ama apmācÄ«ba ar skolotāju normālai darbÄ«bai.

Lai tālāk attÄ«stÄ«tu atteices prognozÄ“Å”anas sistēmu un panāktu to apmierinoŔā stāvoklÄ«, var paredzēt vairākus veidus. Å Ä« ir detalizētāka to gadÄ«jumu analÄ«ze, kuros ir anomālijas, kas noved pie kļūmēm, pateicoties Å”im papildinājumam svarÄ«gu rādÄ«tāju sarakstam, kas lielā mērā ietekmē sistēmas stāvokli, un nevajadzÄ«go, kas to neietekmē, izmeÅ”anu. Turklāt, ja mēs virzāmies Å”ajā virzienā, mēs varam mēģināt specializēt algoritmus tieÅ”i mÅ«su gadÄ«jumiem ar anomālijām, kas noved pie kļūmēm. Ir arÄ« cits veids. Tas ir neironu tÄ«klu arhitektÅ«ras uzlabojums, tādējādi palielinot noteikÅ”anas precizitāti, samazinot apmācÄ«bas laiku.

Es izsaku pateicÄ«bu saviem kolēģiem, kuri man palÄ«dzēja uzrakstÄ«t un uzturēt Ŕī raksta atbilstÄ«bu: Viktors Verbitskis un Sergejs Finogenovs.

Avots: www.habr.com

Pievieno komentāru