Добавление предиктивного элемента ML-модели

Добавление элементов ML-моделей доступно системным администраторам и пользователям с правом Создание моделей из группы прав Управление ML-моделями. Функциональность доступна после добавления лицензионного ключа.

Чтобы добавить предиктивный элемент ML-модели:

В основном меню выберите раздел Модели.
Для добавления предиктивного элемента выполните следующие действия:
1. В дереве активов рядом с названием ML-модели, к которой вы хотите добавить предиктивный элемент, откройте вертикальное меню и выберите пункт Создать элемент.
2. В открывшемся окне выберите тип элемента Предиктивный элемент.
3. Нажмите на кнопку Создать.
Справа отобразится список параметров.
В поле Название укажите название элемента ML-модели.
В поле Описание укажите описание элемента ML-модели.
В блоке параметров Общие параметры элемента выполните следующие действия:
1. В поле Период напоминания (сек.) укажите период в секундах, при достижении которого ML-модель сгенерирует повторный инцидент при сохранении аномального поведения в каждом узле РИВС.
  По умолчанию этот параметр имеет значение 0, что соответствует отсутствию напоминаний.
2. В поле Период подавления повторных срабатываний (сек.) укажите период в секундах, в течение которого ML-модель не регистрирует повторные инциденты от одного и того же элемента.
  По умолчанию этот параметр имеет значение 0 (повторные инциденты не подавляются).
3. В поле Интервал наблюдения за аномалией (сек.) укажите период в секундах, в течение которого отслеживается аномальное поведение тега для принятия решения о регистрации инцидента.
4. В поле Доля длительности аномалии в интервале укажите в виде десятичной дроби долю от периода, заданного в параметре Интервал наблюдения за аномалией (сек.), при достижении которой элемент ML-модели зарегистрирует инцидент.
  Вы можете указать значение в диапазоне от 0 до 1.
5. В поле Цвет точек-индикаторов инцидентов выберите цвет точек-индикаторов инцидентов, зарегистрированных элементом ML-модели, на графиках в разделах Мониторинг и История. В этом цвете также будет отображаться график артефакта, сформированный этим элементом.
6. Если требуется, в раскрывающемся списке Статус инцидента выберите статус инцидента, который будет автоматически присвоен инцидентам, зарегистрированным элементом ML-модели.
7. Если требуется, в раскрывающемся списке Причина инцидента выберите причину инцидента, которая будет автоматически задана для инцидентов, зарегистрированных элементом ML-модели, если эта причина заранее известна.
8. В поле Порог регистрации инцидентов укажите пороговое значение ошибки прогноза, при достижении которого происходит регистрация инцидента.
  Значение этого параметра будет автоматически скорректировано после обучения элемента ML-модели. При необходимости вы можете изменить значение этого параметра.
9. Если требуется, в поле Экспертное заключение укажите экспертное заключение, которое будет автоматически создано для инцидентов, зарегистрированных элементом ML-модели, если содержание этого заключения заранее известно.
Выберите одну из следующих архитектур предиктивного элемента ML-модели: Dense, RNN, CNN, TCN, Transformer или LR.
Если требуется, включите переключатель Расширенные параметры нейронной сети.
Переключатель доступен только для элементов с архитектурой Dense, RNN, CNN, TCN или Transformer.
В блоке параметров Основные параметры выполните следующие действия:
1. В поле Шаг сетки (сек.) укажите период РИВС для элемента в секундах в виде целого числа или десятичной дроби.
2. В раскрывающемся списке Входные теги выберите один или несколько тегов, которые служат исходными данными для прогнозирования значений выходных тегов.
3. В раскрывающемся списке Выходные теги выберите один или несколько тегов, поведение которых прогнозируется элементом модели.
4. В поле Степень сглаживания укажите коэффициент сглаживания суммарной ошибки прогноза в виде десятичной дроби.
  Чем больше значение коэффициента, тем меньше применяется сглаживание к данным.
5. В поле Степенной показатель ошибки прогноза укажите степень, в которую возводится значение ошибки прогноза в каждом узле РИВС перед вычислением суммарной ошибки.
В блоке параметров Параметры окон выполните следующие действия:
1. В поле Входное окно (шаги) укажите размер окна для входных значений, на основе которых элемент ML-модели прогнозирует выходные значения.
  Размер окна указывается в количестве шагов РИВС.
2. В поле Смещение выходного окна укажите количество шагов РИВС, на которое начало выходного окна будет смещено относительно начала входного окна.
3. В поле Выходное окно (шаги) укажите длину прогнозирования выходных тегов, вычисляемого на основании входных тегов на входном окне.
Если включен режим расширенной настройки и вы добавляете элемент с Dense-архитектурой, выполните следующие действия:
1. В поле Множители для вычисления количества нейронов на слоях укажите через запятую без пробелов множители, при умножении которых на количество входных тегов будет рассчитано количество нейронов на каждом слое элемента ML-модели.
  По умолчанию этот параметр имеет значение 8,4,8.
2. В поле Функции активации на слоях укажите одну из следующих функций активации на каждом слое элемента ML-модели через запятую без пробелов:
  - relu – нелинейная функция активации, которая преобразует входное значение в значение от 0 до положительной бесконечности.
  - selu – монотонно возрастающая функция, которая включает нормализацию, основанную на центральной предельной теореме.
  - linear – линейная функция, представляющая собой прямую линию и пропорциональная входным данным.
  - sigmoid – нелинейная функция, которая преобразует входные значения в значения от 0 до 1.
  - tanh – функция гиперболического тангенса, которая преобразует входные значения в значения от -1 до 1.
  - softmax – функция для преобразования вектора значений в вероятностное распределение, которое суммируется до 1.
  По умолчанию этот параметр имеет значение relu,relu,relu.
3. В поле Регуляризация укажите коэффициент регуляризации в виде десятичной дроби для предотвращения переобучения элемента ML-модели.
  По умолчанию этот параметр имеет значение 0.
Если включен режим расширенной настройки и вы добавляете элемент с RNN-архитектурой, выполните следующие действия:
1. В поле Количество GRU-нейронов на слоях укажите количество GRU-нейронов на слоях через запятую без пробелов.
  По умолчанию этот параметр имеет значение 40,40.
2. В поле Количество распределенных по времени нейронов на слоях декодирующего блока укажите количество нейронов, распределенных по времени на слоях декодирующего блока, через запятую без пробелов.
  По умолчанию этот параметр имеет значение 40,20.
3. Если требуется восстанавливать данные, принимаемые на вход сети, включите переключатель Использовать автокодировщик.
4. В поле Регуляризация укажите коэффициент регуляризации в виде десятичной дроби для предотвращения переобучения элемента ML-модели.
  По умолчанию этот параметр имеет значение 0.
Если включен режим расширенной настройки и вы добавляете элемент с CNN-архитектурой, выполните следующие действия:
1. В поле Размер фильтров на слоях укажите размер фильтров для каждого слоя элемента через запятую без пробелов.
  По умолчанию этот параметр имеет значение 2,2,2.
2. В поле Количество фильтров на слоях укажите количество фильтров для каждого слоя элемента ML-модели через запятую без пробелов.
  По умолчанию этот параметр имеет значение 50,50,50.
3. В поле Регуляризация укажите коэффициент регуляризации в виде десятичной дроби для предотвращения переобучения элемента ML-модели.
  По умолчанию этот параметр имеет значение 0.
4. В поле Размер окна выборки максимума (MaxPooling) укажите размер окна выборки максимального значения на каждом слое через запятую без пробелов.
  По умолчанию этот параметр имеет значение 2,2,2.
5. В поле Количество нейронов на слоях декодирующего блока укажите количество нейронов на слоях декодирующего блока.
6. Если требуется восстанавливать данные, принимаемые на вход сети, включите переключатель Использовать автокодировщик.
Если включен режим расширенной настройки и вы добавляете элемент с TCN-архитектурой, выполните следующие действия:
1. В поле Регуляризация укажите коэффициент регуляризации в виде десятичной дроби для предотвращения переобучения элемента ML-модели.
  По умолчанию этот параметр имеет значение 0.
2. В поле Размер фильтров укажите размер фильтров элемента ML-модели.
  По умолчанию этот параметр имеет значение 3.
3. В поле Количество слоев в остаточном блоке (residual block) укажите количество слоев в остаточном блоке.
  По умолчанию этот параметр имеет значение 1.
4. В поле Количество фильтров на слоях укажите количество фильтров на каждом слое элемента ML-модели.
  По умолчанию этот параметр имеет значение 64.
5. В поле Расширения на слоях (dilations) укажите экспоненциальные значения расширения выходных данных на слоях в виде списка, элементы которого перечислены через запятую.
  По умолчанию этот параметр имеет значение 1,2,4,8,16.
6. В поле Тип слоя перед выходным выберите один из следующих типов слоя, предшествующего выходному слою:
  - TimeDistributedDense (по умолчанию) – слой с полносвязной архитектурой.
  - GRU – слой с рекуррентной архитектурой.
7. В раскрывающемся списке Функция активации выберите одну из следующих функций активации:
  - linear – линейная функция активации, результат которой пропорционален входному значению.
  - relu – нелинейная функция активации, которая преобразует входное значение в значение от нуля до положительной бесконечности. Если входное значение меньше или равно нулю, функция возвращает значение ноль, иначе функция возвращает входное значение.
  По умолчанию этот параметр имеет значение linear.
Если включен режим расширенной настройки и вы добавляете элемент с Transformer-архитектурой, выполните следующие действия:
1. В поле Регуляризация в кодирующем блоке укажите коэффициент регуляризации в кодирующем блоке в виде десятичной дроби.
  По умолчанию этот параметр имеет значение 0.01.
2. В поле Количество голов внимания укажите количество голов внимания (англ. attention heads).
  По умолчанию этот параметр имеет значение 1.
3. В поле Количество кодирующих блоков укажите количество кодирующих блоков.
  По умолчанию этот параметр имеет значение 1.
4. В поле Множители для вычисления количества нейронов на слоях укажите через запятую без пробелов множители, при умножении которых на количество входных тегов будет рассчитано количество нейронов на слоях декодирующего блока.
  По умолчанию этот параметр имеет значение 10,5,10.
В правом верхнем углу окна нажмите на кнопку Сохранить.

При создании первого элемента в составе ML-модели в дереве активов будет автоматически создана группа Предиктивные элементы. Созданный элемент отобразится в этой группе.

Элементу ML-модели будет присвоен статус Не обучен, а ML-модели, к которой относится добавленный элемент, будет присвоен статус Не обучена. Для запуска инференса ML-модели требуется обучить все ее предиктивные элементы и элементы на основе эллиптического конверта.

В начало