Машинное обучение

Сейчас трудно найти IoT платформу, которая не заявляла бы об успешном применении технологий машинного обучения в IoT, 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 специалистам по обработке данных детально изучать потоки временных рядов и большие массивы данных для поиска ценной информации.

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, отвечающих за процесс обучения и получения результатов, есть так называемые гиперпараметры, используемые аналитиками данных 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 данными с любыми другими объектами, устройствами и источниками данных платформы. Модули могут работать в режиме инкрементного (пошагового) обучения, на лету обновляя модель 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.