ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് ഞങ്ങൾ അപാകതകൾ തേടുകയും പരാജയങ്ങൾ പ്രവചിക്കുകയും ചെയ്യുന്നു

സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റങ്ങളുടെ വ്യാവസായിക വികസനത്തിന് അന്തിമ ഉൽപ്പന്നത്തിന്റെ തെറ്റ് സഹിഷ്ണുതയിൽ വളരെയധികം ശ്രദ്ധ ആവശ്യമാണ്, അതുപോലെ തന്നെ പരാജയങ്ങളും പരാജയങ്ങളും സംഭവിക്കുകയാണെങ്കിൽ അവയ്‌ക്കുള്ള ദ്രുത പ്രതികരണവും ആവശ്യമാണ്. നിരീക്ഷണം, തീർച്ചയായും, പരാജയങ്ങളോടും പരാജയങ്ങളോടും കൂടുതൽ കാര്യക്ഷമമായും വേഗത്തിലും പ്രതികരിക്കാൻ സഹായിക്കുന്നു, പക്ഷേ പര്യാപ്തമല്ല. ഒന്നാമതായി, ധാരാളം സെർവറുകളുടെ ട്രാക്ക് സൂക്ഷിക്കുന്നത് വളരെ ബുദ്ധിമുട്ടാണ് - ധാരാളം ആളുകൾ ആവശ്യമാണ്. രണ്ടാമതായി, ആപ്ലിക്കേഷൻ അതിന്റെ അവസ്ഥ പ്രവചിക്കുന്നതിന് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ച് നിങ്ങൾക്ക് നല്ല ധാരണ ഉണ്ടായിരിക്കണം. അതിനാൽ, ഞങ്ങൾ വികസിപ്പിക്കുന്ന സിസ്റ്റങ്ങളെയും അവയുടെ പ്രകടനത്തെയും സവിശേഷതകളെയും കുറിച്ച് നല്ല ധാരണയുള്ള ധാരാളം ആളുകൾ ഞങ്ങൾക്ക് ആവശ്യമാണ്. ഇത് ചെയ്യാൻ തയ്യാറുള്ള ആളുകളെ നിങ്ങൾ കണ്ടെത്തിയാലും, അവരെ പരിശീലിപ്പിക്കാൻ ഇനിയും ധാരാളം സമയമെടുക്കുമെന്ന് നമുക്ക് അനുമാനിക്കാം.

എന്തുചെയ്യും? ഇവിടെയാണ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് നമ്മുടെ സഹായത്തിനെത്തുന്നത്. എന്നതിനെക്കുറിച്ച് ലേഖനം സംസാരിക്കും പ്രവചനാത്മക പരിപാലനം (പ്രവചന അറ്റകുറ്റപ്പണി). ഈ സമീപനം സജീവമായി ജനപ്രീതി നേടുന്നു. ഹബ്രെയിൽ ഉൾപ്പെടെ ധാരാളം ലേഖനങ്ങൾ എഴുതിയിട്ടുണ്ട്. വലിയ കമ്പനികൾ അവരുടെ സെർവറുകളുടെ പ്രകടനം നിലനിർത്താൻ ഈ സമീപനം പൂർണ്ണമായി ഉപയോഗിക്കുന്നു. ധാരാളം ലേഖനങ്ങൾ പഠിച്ച ശേഷം, ഈ സമീപനം പരീക്ഷിക്കാൻ ഞങ്ങൾ തീരുമാനിച്ചു. അതിൽ എന്താണ് വന്നത്?

ആമുഖം

വികസിപ്പിച്ച സോഫ്റ്റ്വെയർ സിസ്റ്റം താമസിയാതെ അല്ലെങ്കിൽ പിന്നീട് പ്രവർത്തനക്ഷമമാകും. സിസ്റ്റം പരാജയങ്ങളില്ലാതെ പ്രവർത്തിക്കുന്നത് ഉപയോക്താവിന് പ്രധാനമാണ്. അടിയന്തിര സാഹചര്യം ഉണ്ടായാൽ, അത് ചുരുങ്ങിയ കാലതാമസത്തോടെ പരിഹരിക്കണം.

ഒരു സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റത്തിന്റെ സാങ്കേതിക പിന്തുണ ലളിതമാക്കുന്നതിന്, പ്രത്യേകിച്ചും ധാരാളം സെർവറുകൾ ഉണ്ടെങ്കിൽ, പ്രവർത്തിക്കുന്ന ഒരു സോഫ്റ്റ്‌വെയർ സിസ്റ്റത്തിൽ നിന്ന് മെട്രിക്‌സ് എടുക്കുകയും അതിന്റെ അവസ്ഥ നിർണ്ണയിക്കുന്നത് സാധ്യമാക്കുകയും പരാജയത്തിന് കാരണമായത് എന്താണെന്ന് നിർണ്ണയിക്കാൻ സഹായിക്കുകയും ചെയ്യുന്ന മോണിറ്ററിംഗ് പ്രോഗ്രാമുകൾ സാധാരണയായി ഉപയോഗിക്കുന്നു. ഈ പ്രക്രിയയെ സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റം മോണിറ്ററിംഗ് എന്ന് വിളിക്കുന്നു.

ചിത്രം 1. ഗ്രാഫാന മോണിറ്ററിംഗ് ഇന്റർഫേസ്

മെട്രിക്‌സ് എന്നത് ഒരു സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റം, അതിന്റെ എക്‌സിക്യൂഷൻ എൻവയോൺമെന്റ്, അല്ലെങ്കിൽ മെട്രിക്‌സ് ലഭിച്ച നിമിഷത്തിന്റെ ടൈംസ്റ്റാമ്പ് ഉപയോഗിച്ച് സിസ്റ്റം പ്രവർത്തിക്കുന്ന ഫിസിക്കൽ കമ്പ്യൂട്ടർ എന്നിവയുടെ വിവിധ സൂചകങ്ങളാണ്. സ്റ്റാറ്റിക് വിശകലനത്തിൽ, ഈ അളവുകളെ സമയ ശ്രേണി എന്ന് വിളിക്കുന്നു. സോഫ്റ്റ്വെയർ സിസ്റ്റത്തിന്റെ അവസ്ഥ നിരീക്ഷിക്കുന്നതിന്, മെട്രിക്സ് ഗ്രാഫുകളുടെ രൂപത്തിൽ പ്രദർശിപ്പിക്കും: സമയം X അക്ഷത്തിലാണ്, മൂല്യങ്ങൾ Y അക്ഷത്തിൽ (ചിത്രം 1). പ്രവർത്തിക്കുന്ന ഒരു സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റത്തിൽ നിന്ന് (ഓരോ നോഡിൽ നിന്നും) ആയിരക്കണക്കിന് മെട്രിക്‌സ് എടുക്കാം. അവ മെട്രിക്കുകളുടെ ഒരു ഇടം (മൾട്ടിഡൈമൻഷണൽ ടൈം സീരീസ്) ഉണ്ടാക്കുന്നു.

സങ്കീർണ്ണമായ സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റങ്ങൾക്കായി ധാരാളം അളവുകൾ ശേഖരിക്കുന്നതിനാൽ, മാനുവൽ മോണിറ്ററിംഗ് ബുദ്ധിമുട്ടുള്ള കാര്യമായി മാറുന്നു. അഡ്മിനിസ്ട്രേറ്റർ വിശകലനം ചെയ്യുന്ന ഡാറ്റയുടെ അളവ് കുറയ്ക്കുന്നതിന്, സാധ്യമായ പ്രശ്നങ്ങൾ സ്വയമേവ തിരിച്ചറിയുന്നതിനുള്ള ഉപകരണങ്ങൾ മോണിറ്ററിംഗ് ടൂളുകളിൽ അടങ്ങിയിരിക്കുന്നു. ഉദാഹരണത്തിന്, ഫ്രീ ഡിസ്ക് സ്പേസ് ഒരു നിശ്ചിത പരിധിക്ക് താഴെയാകുമ്പോൾ, ഫയർ ചെയ്യാനുള്ള ഒരു ട്രിഗർ നിങ്ങൾക്ക് ക്രമീകരിക്കാം. നിങ്ങൾക്ക് ഒരു സെർവർ ഷട്ട്ഡൗൺ അല്ലെങ്കിൽ സേവന വേഗതയിലെ ഗുരുതരമായ സ്ലോഡൗൺ എന്നിവ സ്വയമേവ കണ്ടെത്താനാകും. പ്രായോഗികമായി, മോണിറ്ററിംഗ് ടൂളുകൾ ഇതിനകം സംഭവിച്ച പരാജയങ്ങൾ കണ്ടെത്തുന്നതിനോ അല്ലെങ്കിൽ ഭാവിയിലെ പരാജയങ്ങളുടെ ലളിതമായ ലക്ഷണങ്ങൾ തിരിച്ചറിയുന്നതിനോ ഒരു നല്ല ജോലി ചെയ്യുന്നു, എന്നാൽ പൊതുവേ, സാധ്യമായ പരാജയം പ്രവചിക്കുന്നത് അവർക്ക് തകർക്കാൻ ബുദ്ധിമുട്ടാണ്. മെട്രിക്സിന്റെ മാനുവൽ വിശകലനത്തിലൂടെയുള്ള പ്രവചനത്തിന് യോഗ്യതയുള്ള സ്പെഷ്യലിസ്റ്റുകളുടെ പങ്കാളിത്തം ആവശ്യമാണ്. ഇത് ഉത്പാദനക്ഷമത കുറവാണ്. സാധ്യതയുള്ള മിക്ക പരാജയങ്ങളും ശ്രദ്ധിക്കപ്പെടാതെ പോയേക്കാം.

അടുത്തിടെ, സോഫ്റ്റ്‌വെയർ സിസ്റ്റങ്ങളുടെ പ്രെഡിക്റ്റീവ് മെയിന്റനൻസ് എന്ന് വിളിക്കപ്പെടുന്നത് വലിയ ഐടി സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റ് കമ്പനികൾക്കിടയിൽ കൂടുതൽ പ്രചാരത്തിലുണ്ട്. ഈ സമീപനത്തിന്റെ സാരാംശം, ആദ്യഘട്ടത്തിൽ, പരാജയപ്പെടുന്നതിന് മുമ്പ്, കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് സിസ്റ്റം ജീർണതയിലേക്ക് നയിക്കുന്ന പ്രശ്നങ്ങൾ കണ്ടെത്തുക എന്നതാണ്. ഈ സമീപനം സിസ്റ്റത്തിന്റെ മാനുവൽ നിരീക്ഷണം പൂർണ്ണമായും ഒഴിവാക്കുന്നില്ല. മൊത്തത്തിലുള്ള നിരീക്ഷണ പ്രക്രിയയ്ക്ക് ഇത് സഹായകമാണ്.

പ്രവചനാത്മക പരിപാലനം നടപ്പിലാക്കുന്നതിനുള്ള പ്രധാന ഉപകരണം സമയ ശ്രേണിയിലെ അപാകതകൾക്കായി തിരയുക എന്നതാണ് ഒരു അപാകത സംഭവിക്കുമ്പോൾ ഡാറ്റയിൽ കുറച്ച് സമയത്തിന് ശേഷം ഉയർന്ന സാധ്യതയുണ്ട് ഒരു പരാജയമോ പരാജയമോ ഉണ്ടാകും. ഒരു സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റത്തിന്റെ പ്രകടനത്തിലെ ഒരു നിശ്ചിത വ്യതിയാനമാണ് ഒരു അപാകത, അതായത് ഒരു തരം അഭ്യർത്ഥനയുടെ നിർവ്വഹണ വേഗതയിലെ അപചയം അല്ലെങ്കിൽ സ്ഥിരമായ ക്ലയന്റ് സെഷനുകളിൽ സർവീസ് ചെയ്ത അഭ്യർത്ഥനകളുടെ ശരാശരി എണ്ണത്തിൽ കുറവ്.

സോഫ്റ്റ്വെയർ സിസ്റ്റങ്ങൾക്കായുള്ള അപാകതകൾക്കായി തിരയുന്നതിനുള്ള ചുമതല അതിന്റേതായ പ്രത്യേകതകൾ ഉണ്ട്. സിദ്ധാന്തത്തിൽ, ഓരോ സോഫ്റ്റ്വെയർ സിസ്റ്റത്തിനും നിലവിലുള്ള രീതികൾ വികസിപ്പിക്കുകയോ പരിഷ്കരിക്കുകയോ ചെയ്യേണ്ടത് ആവശ്യമാണ്, കാരണം അപാകതകൾക്കായുള്ള തിരയൽ അത് നടപ്പിലാക്കുന്ന ഡാറ്റയെ ആശ്രയിച്ചിരിക്കുന്നു, കൂടാതെ സിസ്റ്റം നടപ്പിലാക്കുന്നതിനുള്ള ഉപകരണങ്ങളെ ആശ്രയിച്ച് സോഫ്റ്റ്വെയർ സിസ്റ്റങ്ങളുടെ ഡാറ്റ വളരെയധികം വ്യത്യാസപ്പെടുന്നു. , ഏത് കമ്പ്യൂട്ടറിലാണ് ഇത് പ്രവർത്തിക്കുന്നത്.

സോഫ്റ്റ്വെയർ സിസ്റ്റങ്ങളുടെ പരാജയങ്ങൾ പ്രവചിക്കുമ്പോൾ അപാകതകൾക്കായി തിരയുന്നതിനുള്ള രീതികൾ

ഒന്നാമതായി, പരാജയങ്ങൾ പ്രവചിക്കുക എന്ന ആശയം ലേഖനത്തിൽ നിന്ന് പ്രചോദനം ഉൾക്കൊണ്ടതാണെന്ന് പറയേണ്ടതാണ് "ഐടി നിരീക്ഷണത്തിൽ മെഷീൻ ലേണിംഗ്". അപാകതകൾക്കായുള്ള യാന്ത്രിക തിരയൽ ഉപയോഗിച്ച് സമീപനത്തിന്റെ ഫലപ്രാപ്തി പരിശോധിക്കുന്നതിന്, വെബ്-കോൺസോളിഡേഷൻ സോഫ്റ്റ്വെയർ സിസ്റ്റം തിരഞ്ഞെടുത്തു, ഇത് NPO ക്രിസ്റ്റ കമ്പനിയുടെ പ്രോജക്റ്റുകളിൽ ഒന്നാണ്. മുമ്പ്, ലഭിച്ച മെട്രിക്സിന്റെ അടിസ്ഥാനത്തിൽ മാനുവൽ മോണിറ്ററിംഗ് നടത്തിയിരുന്നു. സിസ്റ്റം വളരെ സങ്കീർണ്ണമായതിനാൽ, അതിനായി ധാരാളം അളവുകൾ എടുക്കുന്നു: ജെവിഎം സൂചകങ്ങൾ (ഗാർബേജ് കളക്ടർ ലോഡ്), കോഡ് എക്സിക്യൂട്ട് ചെയ്യുന്ന ഒഎസിന്റെ സൂചകങ്ങൾ (വെർച്വൽ മെമ്മറി,% ഒഎസ് സിപിയു ലോഡ്), നെറ്റ്‌വർക്ക് സൂചകങ്ങൾ (നെറ്റ്‌വർക്ക് ലോഡ് ), സെർവർ തന്നെ (സിപിയു ലോഡ് , മെമ്മറി), വൈൽഡ്‌ഫ്ലൈ മെട്രിക്‌സ്, എല്ലാ നിർണായക സബ്‌സിസ്റ്റങ്ങൾക്കുമുള്ള ആപ്ലിക്കേഷന്റെ സ്വന്തം മെട്രിക്‌സ്.

എല്ലാ അളവുകളും ഗ്രാഫൈറ്റ് ഉപയോഗിച്ചാണ് സിസ്റ്റത്തിൽ നിന്ന് എടുത്തിരിക്കുന്നത്. തുടക്കത്തിൽ, വിസ്‌പർ ഡാറ്റാബേസ് ഗ്രാഫാനയ്ക്കുള്ള ഒരു സാധാരണ പരിഹാരമായി ഉപയോഗിച്ചിരുന്നു, എന്നാൽ ക്ലയന്റ് ബേസ് വളർന്നപ്പോൾ, ഡിസി ഡിസ്ക് സബ്സിസ്റ്റത്തിന്റെ ശേഷി തീർന്നതിനാൽ ഗ്രാഫൈറ്റിന് നേരിടാൻ കഴിഞ്ഞില്ല. ഇതിനുശേഷം, കൂടുതൽ ഫലപ്രദമായ പരിഹാരം കണ്ടെത്താൻ തീരുമാനിച്ചു. തിരഞ്ഞെടുപ്പ് അനുകൂലമായി ഗ്രാഫൈറ്റ്+ക്ലിക്ക്ഹൗസ്, ഡിസ്ക് സബ്സിസ്റ്റത്തിലെ ലോഡ് ഒരു ക്രമത്തിൽ കുറയ്ക്കാനും അധിനിവേശ ഡിസ്കിന്റെ ഇടം അഞ്ച് മുതൽ ആറ് മടങ്ങ് വരെ കുറയ്ക്കാനും ഇത് സാധ്യമാക്കി. ഗ്രാഫൈറ്റ്+ക്ലിക്ക്ഹൗസ് (ചിത്രം 2) ഉപയോഗിച്ച് മെട്രിക്സ് ശേഖരിക്കുന്നതിനുള്ള സംവിധാനത്തിന്റെ ഒരു ഡയഗ്രം ചുവടെയുണ്ട്.

ചിത്രം 2. മെട്രിക്സ് ശേഖരിക്കുന്നതിനുള്ള സ്കീം

ഡയഗ്രം ആന്തരിക ഡോക്യുമെന്റേഷനിൽ നിന്ന് എടുത്തതാണ്. ഇത് ഗ്രാഫാനയും (ഞങ്ങൾ ഉപയോഗിക്കുന്ന മോണിറ്ററിംഗ് യുഐ) ഗ്രാഫൈറ്റും തമ്മിലുള്ള ആശയവിനിമയം കാണിക്കുന്നു. ഒരു ആപ്ലിക്കേഷനിൽ നിന്ന് മെട്രിക്‌സ് നീക്കം ചെയ്യുന്നത് പ്രത്യേക സോഫ്‌റ്റ്‌വെയർ ഉപയോഗിച്ചാണ് - jmxtrans. അവൻ അവയെ ഗ്രാഫൈറ്റിൽ ഇടുന്നു.
പരാജയങ്ങൾ പ്രവചിക്കുന്നതിന് പ്രശ്നങ്ങൾ സൃഷ്ടിക്കുന്ന നിരവധി സവിശേഷതകൾ വെബ് കൺസോളിഡേഷൻ സിസ്റ്റത്തിന് ഉണ്ട്:

1. പ്രവണത പലപ്പോഴും മാറുന്നു. ഈ സോഫ്റ്റ്‌വെയർ സിസ്റ്റത്തിന് വിവിധ പതിപ്പുകൾ ലഭ്യമാണ്. അവ ഓരോന്നും സിസ്റ്റത്തിന്റെ സോഫ്റ്റ്വെയർ ഭാഗത്തേക്ക് മാറ്റങ്ങൾ കൊണ്ടുവരുന്നു. അതനുസരിച്ച്, ഈ രീതിയിൽ, ഡെവലപ്പർമാർ ഒരു നിശ്ചിത സിസ്റ്റത്തിന്റെ അളവുകളെ നേരിട്ട് സ്വാധീനിക്കുകയും ഒരു പ്രവണത മാറ്റത്തിന് കാരണമാവുകയും ചെയ്യും;
2. നടപ്പിലാക്കൽ സവിശേഷത, അതുപോലെ തന്നെ ക്ലയന്റുകൾ ഈ സിസ്റ്റം ഉപയോഗിക്കുന്ന ഉദ്ദേശ്യങ്ങൾ, മുമ്പത്തെ അപചയമില്ലാതെ പലപ്പോഴും അപാകതകൾക്ക് കാരണമാകുന്നു;
3. മുഴുവൻ ഡാറ്റാ സെറ്റുമായി ബന്ധപ്പെട്ട അപാകതകളുടെ ശതമാനം ചെറുതാണ് (< 5%);
4. സിസ്റ്റത്തിൽ നിന്നുള്ള സൂചകങ്ങൾ സ്വീകരിക്കുന്നതിൽ വിടവുകൾ ഉണ്ടാകാം. കുറച്ച് സമയത്തിനുള്ളിൽ, നിരീക്ഷണ സംവിധാനം മെട്രിക്‌സ് നേടുന്നതിൽ പരാജയപ്പെടുന്നു. ഉദാഹരണത്തിന്, സെർവർ ഓവർലോഡ് ആണെങ്കിൽ. ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പരിശീലിപ്പിക്കുന്നതിന് ഇത് നിർണായകമാണ്. വിടവുകൾ കൃത്രിമമായി നികത്തേണ്ടത് ആവശ്യമാണ്;
5. അപാകതകളുള്ള കേസുകൾ പലപ്പോഴും ഒരു നിശ്ചിത തീയതി/മാസം/സമയം (സീസണാലിറ്റി)ക്ക് മാത്രമേ പ്രസക്തമാകൂ. ഈ സിസ്റ്റത്തിന് ഉപയോക്താക്കളുടെ ഉപയോഗത്തിന് വ്യക്തമായ നിയന്ത്രണങ്ങളുണ്ട്. അതനുസരിച്ച്, അളവുകൾ ഒരു നിശ്ചിത സമയത്തേക്ക് മാത്രം പ്രസക്തമാണ്. സിസ്റ്റം തുടർച്ചയായി ഉപയോഗിക്കാൻ കഴിയില്ല, പക്ഷേ ചില മാസങ്ങളിൽ മാത്രം: വർഷം അനുസരിച്ച് തിരഞ്ഞെടുത്തു. ഒരു സാഹചര്യത്തിൽ മെട്രിക്കുകളുടെ സമാന സ്വഭാവം സോഫ്റ്റ്‌വെയർ സിസ്റ്റത്തിന്റെ പരാജയത്തിലേക്ക് നയിക്കുമ്പോൾ സാഹചര്യങ്ങൾ ഉണ്ടാകുന്നു, പക്ഷേ മറ്റൊന്നിൽ അല്ല.
   തുടക്കത്തിൽ, സോഫ്റ്റ്വെയർ സിസ്റ്റങ്ങളുടെ ഡാറ്റ നിരീക്ഷിക്കുന്നതിലെ അപാകതകൾ കണ്ടെത്തുന്നതിനുള്ള രീതികൾ വിശകലനം ചെയ്തു. ഈ വിഷയത്തെക്കുറിച്ചുള്ള ലേഖനങ്ങളിൽ, മറ്റ് ഡാറ്റാ സെറ്റുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അപാകതകളുടെ ശതമാനം ചെറുതാണെങ്കിൽ, മിക്കപ്പോഴും ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിക്കാൻ നിർദ്ദേശിക്കപ്പെടുന്നു.

ന്യൂറൽ നെറ്റ്‌വർക്ക് ഡാറ്റ ഉപയോഗിച്ച് അപാകതകൾക്കായി തിരയുന്നതിനുള്ള അടിസ്ഥാന യുക്തി ചിത്രം 3 ൽ കാണിച്ചിരിക്കുന്നു:

ചിത്രം 3. ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ച് അപാകതകൾക്കായി തിരയുന്നു

മെട്രിക്സിന്റെ നിലവിലെ പ്രവാഹത്തിന്റെ ജാലകത്തിന്റെ പ്രവചനത്തിന്റെയോ പുനഃസ്ഥാപനത്തിന്റെയോ ഫലത്തെ അടിസ്ഥാനമാക്കി, പ്രവർത്തിക്കുന്ന സോഫ്റ്റ്വെയർ സിസ്റ്റത്തിൽ നിന്ന് ലഭിച്ചതിൽ നിന്നുള്ള വ്യതിയാനം കണക്കാക്കുന്നു. സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റത്തിൽ നിന്നും ന്യൂറൽ നെറ്റ്‌വർക്കിൽ നിന്നും ലഭിച്ച അളവുകൾ തമ്മിൽ വലിയ വ്യത്യാസമുണ്ടെങ്കിൽ, നിലവിലെ ഡാറ്റ സെഗ്‌മെന്റ് അസാധാരണമാണെന്ന് നമുക്ക് നിഗമനം ചെയ്യാം. ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ ഉപയോഗത്തിന് ഇനിപ്പറയുന്ന ശ്രേണിയിലുള്ള പ്രശ്നങ്ങൾ ഉണ്ടാകുന്നു:

1. സ്ട്രീമിംഗ് മോഡിൽ ശരിയായി പ്രവർത്തിക്കാൻ, ന്യൂറൽ നെറ്റ്‌വർക്ക് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിനുള്ള ഡാറ്റയിൽ "സാധാരണ" ഡാറ്റ മാത്രമേ ഉൾപ്പെടുത്താവൂ;
2. ശരിയായ കണ്ടെത്തലിനായി ഒരു കാലികമായ മോഡൽ ഉണ്ടായിരിക്കേണ്ടത് ആവശ്യമാണ്. മെട്രിക്കുകളിലെ ട്രെൻഡുകളും കാലാനുസൃതതയും മാറുന്നത് മോഡലിൽ ധാരാളം തെറ്റായ പോസിറ്റീവുകൾക്ക് കാരണമാകും. ഇത് അപ്ഡേറ്റ് ചെയ്യുന്നതിന്, മോഡൽ കാലഹരണപ്പെട്ട സമയം വ്യക്തമായി നിർണ്ണയിക്കേണ്ടത് ആവശ്യമാണ്. നിങ്ങൾ മോഡൽ പിന്നീടോ അതിനുമുമ്പോ അപ്‌ഡേറ്റ് ചെയ്യുകയാണെങ്കിൽ, മിക്കവാറും, ധാരാളം തെറ്റായ പോസിറ്റീവുകൾ പിന്തുടരും.
   തെറ്റായ പോസിറ്റീവുകൾ പതിവായി സംഭവിക്കുന്നത് തടയുന്നതിനെക്കുറിച്ചും നാം മറക്കരുത്. അവ മിക്കപ്പോഴും അടിയന്തിര സാഹചര്യങ്ങളിൽ സംഭവിക്കുമെന്ന് അനുമാനിക്കപ്പെടുന്നു. എന്നിരുന്നാലും, അപര്യാപ്തമായ പരിശീലനത്തിന്റെ ഫലമായി അവ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് പിശകിന്റെ അനന്തരഫലമായിരിക്കാം. മോഡലിന്റെ തെറ്റായ പോസിറ്റീവുകളുടെ എണ്ണം കുറയ്ക്കേണ്ടത് ആവശ്യമാണ്. അല്ലെങ്കിൽ, തെറ്റായ പ്രവചനങ്ങൾ സിസ്റ്റം പരിശോധിക്കാൻ ഉദ്ദേശിച്ചിട്ടുള്ള അഡ്മിനിസ്ട്രേറ്റർ സമയം പാഴാക്കും. താമസിയാതെ അല്ലെങ്കിൽ പിന്നീട് അഡ്മിനിസ്ട്രേറ്റർ "പാരനോയിഡ്" മോണിറ്ററിംഗ് സിസ്റ്റത്തോട് പ്രതികരിക്കുന്നത് നിർത്തും.

ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്‌വർക്ക്

സമയ ശ്രേണിയിലെ അപാകതകൾ കണ്ടെത്തുന്നതിന്, നിങ്ങൾക്ക് ഉപയോഗിക്കാം ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്ക് LSTM മെമ്മറി ഉപയോഗിച്ച്. പ്രവചിച്ച സമയ ശ്രേണിക്ക് മാത്രമേ ഇത് ഉപയോഗിക്കാൻ കഴിയൂ എന്നതാണ് ഒരേയൊരു പ്രശ്നം. ഞങ്ങളുടെ കാര്യത്തിൽ, എല്ലാ അളവുകളും പ്രവചിക്കാവുന്നതല്ല. ഒരു സമയ ശ്രേണിയിലേക്ക് RNN LSTM പ്രയോഗിക്കാനുള്ള ശ്രമം ചിത്രം 4-ൽ കാണിച്ചിരിക്കുന്നു.

ചിത്രം 4. LSTM മെമ്മറി സെല്ലുകളുള്ള ഒരു ആവർത്തന ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ ഉദാഹരണം

ചിത്രം 4-ൽ നിന്ന് കാണാൻ കഴിയുന്നത് പോലെ, ഈ കാലയളവിലെ അപാകതകൾക്കായുള്ള തിരയലിനെ നേരിടാൻ RNN LSTM-ന് കഴിഞ്ഞു. ഫലത്തിന് ഉയർന്ന പ്രവചന പിശക് ഉള്ളിടത്ത് (ശരാശരി പിശക്), സൂചകങ്ങളിൽ ഒരു അപാകത യഥാർത്ഥത്തിൽ സംഭവിച്ചു. ഒരൊറ്റ RNN LSTM ഉപയോഗിക്കുന്നത് വ്യക്തമല്ല, കാരണം ഇത് വളരെ കുറച്ച് അളവുകൾക്ക് ബാധകമാണ്. അപാകതകൾക്കായി തിരയുന്നതിനുള്ള ഒരു സഹായ രീതിയായി ഉപയോഗിക്കാം.

പരാജയ പ്രവചനത്തിനുള്ള ഓട്ടോഎൻകോഡർ

ഓട്ടോഎൻകോഡർ - പ്രധാനമായും ഒരു കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക്. ഇൻപുട്ട് ലെയർ എൻകോഡർ ആണ്, ഔട്ട്പുട്ട് ലെയർ ഡീകോഡർ ആണ്. ഈ തരത്തിലുള്ള എല്ലാ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെയും പോരായ്മ, അവ അപാകതകളെ നന്നായി പ്രാദേശികവൽക്കരിക്കുന്നില്ല എന്നതാണ്. ഒരു സിൻക്രണസ് ഓട്ടോഎൻകോഡർ ആർക്കിടെക്ചർ തിരഞ്ഞെടുത്തു.

ചിത്രം 5. ഓട്ടോഎൻകോഡർ പ്രവർത്തനത്തിന്റെ ഉദാഹരണം

ഓട്ടോഎൻകോഡറുകൾ സാധാരണ ഡാറ്റയിൽ പരിശീലിപ്പിക്കപ്പെടുന്നു, തുടർന്ന് മോഡലിന് നൽകുന്ന ഡാറ്റയിൽ എന്തെങ്കിലും അപാകത കണ്ടെത്തുന്നു. ഈ ടാസ്ക്കിന് നിങ്ങൾക്ക് വേണ്ടത് മാത്രം. ഈ ടാസ്ക്കിന് അനുയോജ്യമായ ഓട്ടോഎൻകോഡർ തിരഞ്ഞെടുക്കാൻ മാത്രമേ ശേഷിക്കുന്നുള്ളൂ. ഒരു ഓട്ടോഎൻകോഡറിന്റെ വാസ്തുവിദ്യാപരമായി ഏറ്റവും ലളിതമായ രൂപമാണ് ഫോർവേഡ്, നോൺ-റിട്ടേൺ ന്യൂറൽ നെറ്റ്‌വർക്ക്, ഇത് വളരെ സാമ്യമുള്ളതാണ്. മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ (മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ, എം‌എൽ‌പി), ഒരു ഇൻ‌പുട്ട് ലെയർ, ഒരു ഔട്ട്‌പുട്ട് ലെയർ, അവയെ ബന്ധിപ്പിക്കുന്ന ഒന്നോ അതിലധികമോ മറഞ്ഞിരിക്കുന്ന ലെയറുകൾ.
എന്നിരുന്നാലും, ഓട്ടോഎൻ‌കോഡറുകളും എം‌എൽ‌പികളും തമ്മിലുള്ള വ്യത്യാസങ്ങൾ, ഒരു ഓട്ടോഎൻ‌കോഡറിൽ, ഔട്ട്‌പുട്ട് ലെയറിന് ഇൻ‌പുട്ട് ലെയറിന്റെ അതേ എണ്ണം നോഡുകൾ ഉണ്ട്, കൂടാതെ ഒരു ഇൻ‌പുട്ട് എക്സ് നൽകിയ ടാർ‌ഗെറ്റ് മൂല്യം Y പ്രവചിക്കാൻ പരിശീലിപ്പിക്കുന്നതിന് പകരം, ഓട്ടോഎൻ‌കോഡർ പരിശീലിപ്പിക്കപ്പെടുന്നു. സ്വന്തം Xs പുനർനിർമ്മിക്കുന്നതിന്, അതിനാൽ, മേൽനോട്ടമില്ലാത്ത പഠന മാതൃകകളാണ് ഓട്ടോഎൻകോഡറുകൾ.

ഇൻപുട്ട് വെക്റ്റർ X ലെ അനോമലസ് മൂലകങ്ങളുമായി പൊരുത്തപ്പെടുന്ന സമയ സൂചികകൾ r0 ... rn കണ്ടെത്തുക എന്നതാണ് ഓട്ടോഎൻകോഡറിന്റെ ചുമതല. സ്ക്വയർ ചെയ്ത പിശക് തിരയുന്നതിലൂടെ ഈ പ്രഭാവം കൈവരിക്കാനാകും.

ചിത്രം 6. സിൻക്രണസ് ഓട്ടോഎൻകോഡർ

ഓട്ടോഎൻകോഡറിനായി തിരഞ്ഞെടുത്തു സിൻക്രണസ് ആർക്കിടെക്ചർ. ഇതിന്റെ ഗുണങ്ങൾ: സ്ട്രീമിംഗ് പ്രോസസ്സിംഗ് മോഡ് ഉപയോഗിക്കാനുള്ള കഴിവും മറ്റ് ആർക്കിടെക്ചറുകളെ അപേക്ഷിച്ച് താരതമ്യേന ചെറിയ ന്യൂറൽ നെറ്റ്‌വർക്ക് പാരാമീറ്ററുകളും.

തെറ്റായ പോസിറ്റീവുകൾ കുറയ്ക്കുന്നതിനുള്ള സംവിധാനം

വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്ന അനോമലി ഡിറ്റക്ഷൻ മോഡലിനായി വിവിധ അസാധാരണ സാഹചര്യങ്ങളും ന്യൂറൽ നെറ്റ്‌വർക്കിന്റെ അപര്യാപ്തമായ പരിശീലനത്തിന്റെ സാധ്യതയും കാരണം, തെറ്റായ പോസിറ്റീവുകൾ കുറയ്ക്കുന്നതിനുള്ള ഒരു സംവിധാനം വികസിപ്പിക്കേണ്ടത് ആവശ്യമാണെന്ന് തീരുമാനിച്ചു. അഡ്‌മിനിസ്‌ട്രേറ്റർ തരംതിരിച്ച ഒരു ടെംപ്ലേറ്റ് അടിസ്ഥാനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഈ സംവിധാനം.

ഡൈനാമിക് ടൈംലൈൻ പരിവർത്തനത്തിനുള്ള അൽഗോരിതം (DTW അൽഗോരിതം, ഇംഗ്ലീഷ് ഡൈനാമിക് ടൈം വാർപ്പിംഗിൽ നിന്ന്) സമയ ക്രമങ്ങൾ തമ്മിലുള്ള ഒപ്റ്റിമൽ കത്തിടപാടുകൾ കണ്ടെത്താൻ നിങ്ങളെ അനുവദിക്കുന്നു. സംഭാഷണം തിരിച്ചറിയുന്നതിൽ ആദ്യം ഉപയോഗിച്ചത്: രണ്ട് സംഭാഷണ സിഗ്നലുകൾ ഒരേ യഥാർത്ഥ സംഭാഷണ ശൈലിയെ എങ്ങനെ പ്രതിനിധീകരിക്കുന്നു എന്ന് നിർണ്ണയിക്കാൻ ഉപയോഗിക്കുന്നു. തുടർന്ന്, മറ്റ് മേഖലകളിൽ ഇതിനായി അപേക്ഷ കണ്ടെത്തി.

ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ ഉപയോഗിച്ച് കണ്ടെത്തിയ സംശയാസ്പദമായ കേസുകൾ തരംതിരിക്കുന്ന ഒരു ഓപ്പറേറ്ററുടെ സഹായത്തോടെ മാനദണ്ഡങ്ങളുടെ ഒരു ഡാറ്റാബേസ് ശേഖരിക്കുക എന്നതാണ് തെറ്റായ പോസിറ്റീവുകൾ കുറയ്ക്കുന്നതിനുള്ള പ്രധാന തത്വം. അടുത്തതായി, ക്ലാസിഫൈഡ് സ്റ്റാൻഡേർഡ് സിസ്റ്റം കണ്ടെത്തിയ കേസുമായി താരതമ്യപ്പെടുത്തുന്നു, കൂടാതെ കേസ് തെറ്റാണോ അതോ പരാജയത്തിലേക്ക് നയിക്കുമോ എന്നതിനെക്കുറിച്ചുള്ള ഒരു നിഗമനത്തിലെത്തുന്നു. രണ്ട് സമയ ശ്രേണികൾ താരതമ്യം ചെയ്യാൻ DTW അൽഗോരിതം കൃത്യമായി ഉപയോഗിക്കുന്നു. പ്രധാന മിനിമൈസേഷൻ ഉപകരണം ഇപ്പോഴും വർഗ്ഗീകരണമാണ്. ധാരാളം റഫറൻസ് കേസുകൾ ശേഖരിച്ച ശേഷം, മിക്ക കേസുകളുടേയും സമാനതയും സമാന സംഭവങ്ങളും കാരണം സിസ്റ്റം ഓപ്പറേറ്ററോട് കുറച്ച് ചോദിക്കാൻ തുടങ്ങുമെന്ന് പ്രതീക്ഷിക്കുന്നു.

തൽഫലമായി, മുകളിൽ വിവരിച്ച ന്യൂറൽ നെറ്റ്‌വർക്ക് രീതികളെ അടിസ്ഥാനമാക്കി, "വെബ്-കോൺസോളിഡേഷൻ" സിസ്റ്റത്തിന്റെ പരാജയങ്ങൾ പ്രവചിക്കാൻ ഒരു പരീക്ഷണാത്മക പ്രോഗ്രാം നിർമ്മിച്ചു. ഞങ്ങളുടെ സോഫ്‌റ്റ്‌വെയർ സിസ്റ്റങ്ങൾക്കായുള്ള ഈ സമീപനത്തിന്റെ കഴിവ് വിലയിരുത്തുന്നതിന്, നിലവിലുള്ള ഡാറ്റയും മുൻ പരാജയങ്ങളെക്കുറിച്ചുള്ള വിവരങ്ങളും നിരീക്ഷിക്കുന്നതിനുള്ള നിലവിലുള്ള ആർക്കൈവ് ഉപയോഗിച്ച് ഈ പ്രോഗ്രാമിന്റെ ലക്ഷ്യം. പ്രോഗ്രാമിന്റെ സ്കീം ചിത്രം 7 ൽ ചുവടെ അവതരിപ്പിച്ചിരിക്കുന്നു.

ചിത്രം 7. മെട്രിക് സ്പേസ് വിശകലനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പരാജയ പ്രവചന പദ്ധതി

ഡയഗ്രാമിൽ, രണ്ട് പ്രധാന ബ്ലോക്കുകൾ വേർതിരിച്ചറിയാൻ കഴിയും: മോണിറ്ററിംഗ് ഡാറ്റ സ്ട്രീമിലെ (മെട്രിക്സ്) അപാകതയുള്ള സമയങ്ങൾക്കായുള്ള തിരയലും തെറ്റായ പോസിറ്റീവുകൾ കുറയ്ക്കുന്നതിനുള്ള സംവിധാനവും. കുറിപ്പ്: പരീക്ഷണാത്മക ആവശ്യങ്ങൾക്കായി, ഗ്രാഫൈറ്റ് സംരക്ഷിക്കുന്ന ഡാറ്റാബേസിൽ നിന്ന് ഒരു JDBC കണക്ഷൻ വഴിയാണ് ഡാറ്റ ലഭിക്കുന്നത്.
വികസനത്തിന്റെ ഫലമായി ലഭിച്ച നിരീക്ഷണ സംവിധാനത്തിന്റെ ഇന്റർഫേസ് ഇനിപ്പറയുന്നതാണ് (ചിത്രം 8).

ചിത്രം 8. പരീക്ഷണാത്മക നിരീക്ഷണ സംവിധാനത്തിന്റെ ഇന്റർഫേസ്

ഇന്റർഫേസ് സ്വീകരിച്ച മെട്രിക്‌സിനെ അടിസ്ഥാനമാക്കി അപാകതയുടെ ശതമാനം പ്രദർശിപ്പിക്കുന്നു. ഞങ്ങളുടെ കാര്യത്തിൽ, രസീത് അനുകരിക്കുന്നു. ഏതാനും ആഴ്‌ചകൾക്കുള്ള എല്ലാ ഡാറ്റയും ഞങ്ങളുടെ പക്കലുണ്ട്, പരാജയത്തിലേക്ക് നയിക്കുന്ന ഒരു അപാകത പരിശോധിക്കാൻ അത് ക്രമേണ ലോഡുചെയ്യുന്നു. താഴ്ന്ന സ്റ്റാറ്റസ് ബാർ ഒരു നിശ്ചിത സമയത്ത് ഡാറ്റാ അപാകതയുടെ മൊത്തത്തിലുള്ള ശതമാനം പ്രദർശിപ്പിക്കുന്നു, ഇത് ഒരു ഓട്ടോഎൻകോഡർ ഉപയോഗിച്ച് നിർണ്ണയിക്കപ്പെടുന്നു. കൂടാതെ, പ്രവചിച്ച മെട്രിക്കുകൾക്കായി ഒരു പ്രത്യേക ശതമാനം പ്രദർശിപ്പിക്കും, ഇത് RNN LSTM കണക്കാക്കുന്നു.

RNN LSTM ന്യൂറൽ നെറ്റ്‌വർക്ക് ഉപയോഗിച്ചുള്ള CPU പ്രകടനത്തെ അടിസ്ഥാനമാക്കിയുള്ള അപാകത കണ്ടെത്തുന്നതിനുള്ള ഒരു ഉദാഹരണം (ചിത്രം 9).

ചിത്രം 9. RNN LSTM കണ്ടെത്തൽ

വളരെ ലളിതമായ ഒരു കേസ്, അടിസ്ഥാനപരമായി ഒരു സാധാരണ ഔട്ട്‌ലൈയർ, എന്നാൽ സിസ്റ്റം പരാജയത്തിലേക്ക് നയിക്കുന്നത്, RNN LSTM ഉപയോഗിച്ച് വിജയകരമായി കണക്കാക്കി. ഈ കാലഘട്ടത്തിലെ അപാകത സൂചകം 85-95% ആണ്; 80% ന് മുകളിലുള്ള എല്ലാം (പരിശീലനപരമായി നിർണ്ണയിച്ചു) ഒരു അപാകതയായി കണക്കാക്കുന്നു.
ഒരു അപ്‌ഡേറ്റിന് ശേഷം സിസ്റ്റത്തിന് ബൂട്ട് ചെയ്യാൻ കഴിയാതെ വരുമ്പോൾ അപാകത കണ്ടെത്തുന്നതിനുള്ള ഒരു ഉദാഹരണം. ഈ സാഹചര്യം ഓട്ടോഎൻകോഡർ കണ്ടുപിടിക്കുന്നു (ചിത്രം 10).

ചിത്രം 10. ഓട്ടോഎൻകോഡർ കണ്ടെത്തലിന്റെ ഉദാഹരണം

ചിത്രത്തിൽ നിന്ന് നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, PermGen ഒരു ലെവലിൽ കുടുങ്ങിയിരിക്കുന്നു. ഓട്ടോഎൻകോഡർ ഇത് വിചിത്രമായി കണ്ടെത്തി, കാരണം ഇത് മുമ്പൊരിക്കലും കണ്ടിട്ടില്ല. സിസ്റ്റം പ്രവർത്തന നിലയിലേക്ക് മടങ്ങുന്നത് വരെ ഇവിടെ അപാകത 100% നിലനിൽക്കും. എല്ലാ മെട്രിക്കുകൾക്കും ഒരു അപാകത പ്രദർശിപ്പിച്ചിരിക്കുന്നു. നേരത്തെ സൂചിപ്പിച്ചതുപോലെ, ഓട്ടോഎൻകോഡറിന് അപാകതകൾ പ്രാദേശികവൽക്കരിക്കാൻ കഴിയില്ല. ഈ സാഹചര്യങ്ങളിൽ ഈ പ്രവർത്തനം നടത്താൻ ഓപ്പറേറ്ററെ വിളിക്കുന്നു.

തീരുമാനം

പിസി "വെബ്-കോൺസോളിഡേഷൻ" നിരവധി വർഷങ്ങളായി വികസിപ്പിച്ചുകൊണ്ടിരിക്കുന്നു. സിസ്റ്റം വളരെ സുസ്ഥിരമായ അവസ്ഥയിലാണ്, കൂടാതെ റെക്കോർഡ് ചെയ്ത സംഭവങ്ങളുടെ എണ്ണം ചെറുതാണ്. എന്നിരുന്നാലും, പരാജയം സംഭവിക്കുന്നതിന് 5-10 മിനിറ്റ് മുമ്പ് പരാജയത്തിലേക്ക് നയിക്കുന്ന അപാകതകൾ കണ്ടെത്താൻ സാധിച്ചു. ചില സന്ദർഭങ്ങളിൽ, ഒരു തകരാർ മുൻകൂട്ടി അറിയിക്കുന്നത് "അറ്റകുറ്റപ്പണി" ജോലികൾക്കായി നീക്കിവച്ചിരിക്കുന്ന ഷെഡ്യൂൾ ചെയ്ത സമയം ലാഭിക്കാൻ സഹായിക്കും.

നടത്തിയ പരീക്ഷണങ്ങളെ അടിസ്ഥാനമാക്കി, അന്തിമ നിഗമനങ്ങളിൽ എത്തിച്ചേരാൻ വളരെ നേരത്തെ തന്നെ. ഇതുവരെ, ഫലങ്ങൾ പരസ്പരവിരുദ്ധമാണ്. ഒരു വശത്ത്, ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അടിസ്ഥാനമാക്കിയുള്ള അൽഗോരിതങ്ങൾ "ഉപയോഗപ്രദമായ" അപാകതകൾ കണ്ടെത്താൻ പ്രാപ്തമാണെന്ന് വ്യക്തമാണ്. മറുവശത്ത്, തെറ്റായ പോസിറ്റീവുകളുടെ വലിയൊരു ശതമാനം അവശേഷിക്കുന്നു, കൂടാതെ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിലെ യോഗ്യതയുള്ള ഒരു സ്പെഷ്യലിസ്റ്റ് കണ്ടെത്തിയ എല്ലാ അപാകതകളും കണ്ടെത്താനാവില്ല. ന്യൂറൽ നെറ്റ്‌വർക്കിന് സാധാരണ പ്രവർത്തനത്തിനായി ഒരു അധ്യാപകനുമായി പരിശീലനം ആവശ്യമാണ് എന്ന വസ്തുതയാണ് പോരായ്മകളിൽ ഉൾപ്പെടുന്നത്.

പരാജയ പ്രവചന സംവിധാനം കൂടുതൽ വികസിപ്പിക്കുന്നതിനും തൃപ്തികരമായ അവസ്ഥയിലേക്ക് കൊണ്ടുവരുന്നതിനും, നിരവധി മാർഗങ്ങൾ വിഭാവനം ചെയ്യാവുന്നതാണ്. സിസ്റ്റത്തിന്റെ അവസ്ഥയെ വളരെയധികം സ്വാധീനിക്കുന്ന പ്രധാനപ്പെട്ട അളവുകോലുകളുടെ പട്ടികയിലേക്ക് ഇത് ചേർക്കുന്നതും അതിനെ ബാധിക്കാത്ത അനാവശ്യമായവ ഉപേക്ഷിക്കുന്നതും കാരണം പരാജയത്തിലേക്ക് നയിക്കുന്ന അപാകതകളുള്ള കേസുകളുടെ കൂടുതൽ വിശദമായ വിശകലനമാണിത്. കൂടാതെ, ഞങ്ങൾ ഈ ദിശയിലേക്ക് നീങ്ങുകയാണെങ്കിൽ, പരാജയങ്ങളിലേക്ക് നയിക്കുന്ന അപാകതകളുള്ള ഞങ്ങളുടെ കേസുകൾക്കായി പ്രത്യേകമായി അൽഗോരിതങ്ങൾ സ്പെഷ്യലൈസ് ചെയ്യാനുള്ള ശ്രമങ്ങൾ നടത്താം. മറ്റൊരു വഴിയുണ്ട്. ഇത് ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്‌ചറുകളിലെ ഒരു പുരോഗതിയാണ്, അതുവഴി പരിശീലന സമയം കുറയ്ക്കുന്നതിലൂടെ കണ്ടെത്തൽ കൃത്യത വർദ്ധിപ്പിക്കുന്നു.

ഈ ലേഖനത്തിന്റെ പ്രസക്തി എഴുതാനും നിലനിർത്താനും എന്നെ സഹായിച്ച എന്റെ സഹപ്രവർത്തകർക്ക് ഞാൻ നന്ദി രേഖപ്പെടുത്തുന്നു: വിക്ടർ വെർബിറ്റ്സ്കി സെർജി ഫിനോജെനോവ് എന്നിവരും.

അവലംബം: www.habr.com