Добавление предиктивного элемента ML-модели

21 января 2026

ID 256033

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 именем 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 Имя укажите имя 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 регистрируются).
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 Порог регистрации инцидентов укажите пороговое значение ошибки прогноза, при достижении которого происходит регистрация инцидента.
  По умолчанию значение порога автоматически корректируется после каждого обучения элемента. Если после завершения обучения вы включите переключатель Зафиксировать порог регистрации инцидентов, то значение порога будет зафиксировано и не изменится после повторного обучения элемента. При необходимости вы можете изменить значение этого параметра.
6. 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.
7. Если требуется, в раскрывающемся списке Статус инцидента выберите статус инцидента, который будет автоматически присвоен инцидентам, зарегистрированным элементом ML-модели.
  По умолчанию статус не установлен.
8. 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.
9. Если требуется, в раскрывающемся списке Приоритет инцидента выберите приоритет, который будет автоматически присвоен инцидентам, зарегистрированным элементом ML-модели.
  По умолчанию инциденту присваивается приоритет Средний.
10. Если требуется, в поле Экспертные рекомендации укажите экспертные рекомендации, которые будут автоматически добавлены инцидентам, зарегистрированным элементом ML-модели, если содержание этих рекомендаций 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 поле Степень сглаживания укажите коэффициент сглаживания суммарной ошибки прогноза в виде десятичной дроби.
  Чем больше значение коэффициента, тем меньше применяется сглаживание к данным.
3. В поле Степенной показатель ошибки прогноза укажите степень, в которую возводится значение ошибки прогноза в каждом узле РИВС перед вычислением суммарной ошибки.
  Значение параметра влияет на значение суммарной ошибки прогноза, формируемой предиктивным элементом во время инференса ML-модели. Значение параметра также влияет на отображение суммарной ошибки прогноза на графике артефакта элемента ML-модели в разделах Мониторинг и История. Чем выше значение параметра, тем больше значение суммарной ошибки прогноза и тем выше красная линия на графике артефакта элемента.
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, вычисляемых на основании входных тегов на входном окне.
В блоке параметров Входные и выходные теги выполните следующие действия:
1. Нажмите на кнопку Выбрать теги.
  Откроется панель Выбор тегов модели, отображающая таблицу с деревом активов.
  В таблице с деревом активов отображается следующая информация:
  - Имя – имя актива или тега в дереве активов.
  - Описание – описание актива или тега в дереве активов.
  - Входной тег – переключатель, позволяющий включить тег во входные теги элемента ML-модели или исключить тег из входных тегов.
  - Выходной тег – переключатель, позволяющий включить тег в выходные теги элемента ML-модели или исключить тег из выходных тегов.
2. Если требуется настроить отображение таблицы с деревом активов, выполните следующие действия:
  1. Нажмите на кнопку , расположенную в правом верхнем углу панели.
  2. Установите флажки рядом с теми столбцами таблицы, которые необходимо отображать.
  3. Нажмите на кнопку Сохранить.
3. Если требуется использовать теги, входящие в определенные пресеты, выполните следующие действия:
  1. Нажмите на кнопку , расположенную в правом верхнем углу панели.
  2. Выберите нужные пресеты.
    При необходимости введите поисковый запрос в поле Поиск. Поиск выполняется по мере ввода символов в строку поиска.
  3. Нажмите на кнопку Применить.
  В панели Выбор тегов модели отобразятся теги, входящие в выбранные пресеты.
4. Для выбора тегов, которые служат исходными данными для прогнозирования значений выходных тегов, выполните одно из следующих действий:
  - Если требуется выбрать определенный тег, включите переключатель в столбце Входной тег для нужного тега.
  - Если требуется выбрать несколько тегов, установите флажки рядом с нужными тегами и в раскрывающемся списке Массовые действия выберите элемент Включить в блоке Входные теги.
5. Для выбора тегов, поведение которых прогнозируется элементом модели, выполните одно из следующих действий:
  - Если требуется выбрать определенный тег, включите переключатель в столбце Выходной тег для нужного тега.
  - Если требуется выбрать несколько тегов, установите флажки рядом с нужными тегами и в раскрывающемся списке Массовые действия выберите элемент Включить в блоке Выходные теги.
6. Если требуется отобразить только теги, которые были выбраны в качестве входных и/или выходных, включите переключатель Используемые теги над деревом активов.
7. Если требуется исключить выбранные теги из входных или выходных, установите флажки рядом с нужными тегами и в раскрывающемся списке Массовые действия выберите элемент Исключить в блоке Входные теги или Выходные теги.
8. Если требуется поменять местами входные и выходные теги, установите флажки рядом с нужными тегами и в раскрывающемся списке Массовые действия выберите элемент Поменять местами.
  Теги, выбранные ранее в качестве входных, станут выходными, а теги, выбранные ранее в качестве выходных, станут входными.
9. Нажмите на кнопку Сохранить.
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 страницы 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.

См. также

Вам помогла эта статья?

Что нам нужно улучшить?

Спасибо за ваш отзыв, вы помогаете нам становиться лучше!