Сценарий: работа с предиктивными элементами ML-модели

Вы можете добавлять предиктивные элементы в ML-модель и управлять ими в следующих случаях:

• ML-модель создана вручную.
• ML-модель создана по шаблону ML-модели, созданной вручную.
• ML-модель скопирована с ML-модели, созданной вручную или по шаблону ML-модели, созданной вручную.

Функциональность доступна после добавления лицензионного ключа.

Сценарий работы с предиктивными элементами ML-модели состоит из следующих этапов:

1. Добавление разметки

   Создайте разметку для отбора интервалов времени, на которых необходимо выполнить обучение предиктивного элемента. Вы можете пропустить этот этап в следующих случаях:

   • Обучение элемента будет проводиться без разметки.
   • Для обучения используется та же разметка, что и для инференса ML-модели.
   • Нужная разметка была создана ранее для обучения другого элемента ML-модели.
2. Создание предиктивного элемента ML-модели

   В созданную ранее ML-модель добавьте предиктивный элемент. При добавлении элемента задайте общие параметры, шаг сетки, входные и выходные теги, а также выберите архитектуру элемента и задайте параметры архитектуры.

3. Обучение предиктивного элемента ML-модели

   Перед проведением инференса предиктивные элементы необходимо обучить. Задайте параметры обучения предиктивного элемента. При необходимости для формирования индикатора обучения выберите одну или несколько разметок в параметрах обучения элемента. Если выбрано более одной разметки, то для формирования индикатора обучения используются пересечения интервалов данных, отобранных разметками. Если для ML-модели ранее был сформирован индикатор инференса, то разметку инференса следует включить в индикатор обучения. Запустите обучение.

   Изучите результаты обучения и оцените их. При необходимости скорректируйте параметры обучения и обучите предиктивный элемент заново. Корректировка параметров обучения необходима в следующих случаях:

   • На графике Ошибки обучения и валидации ошибка валидации растет или не изменяется на протяжении всего обучения.
   • На графике Ошибки обучения и валидации ошибка валидации начала расти под конец обучения.
   • В блоке Прогноз обученной модели на определенном интервале времени одного или нескольких графиков выходных тегов предсказанное значение начинает систематически отличаться от полученного значения.
   • На графике общей ошибки прогноза в блоке Прогноз обученной модели не прослеживается динамика изменения состояния объекта мониторинга, красная линия является плоской.
   • На графике общей ошибки прогноза в блоке Прогноз обученной модели изменения тренда красной линии не соответствуют ожидаемому поведению объекта мониторинга.
   • В блоке Прогноз обученной модели на графике общей ошибки прогноза красная линия в основном прижата к нижней части графика, а оранжевая линия проходит в верхней части графика.

   Корректировка параметров обучения может также понадобиться для предиктивного элемента с нейросетевой архитектурой, если количество узлов РИВС, отобранных для обучения, меньше 10 000.

4. Инференс ML-модели

   Запустите инференс ML-модели, в состав которой был добавлен предиктивный элемент. Вы можете запустить инференс ML-модели на исторических данных и/или данных, поступающих в Kaspersky MLAD в режиме реального времени.

5. Анализ результатов инференса ML-модели

   Изучите инциденты и артефакты, сформированные предиктивным элементом в результате инференса, в следующих разделах:

   • Мониторинг или История, если для ML-модели запущен потоковый инференс.
   • История, если для ML-модели был запущен исторический инференс.

   Для отображения прогнозируемых значений тегов и индивидуальных ошибок прогнозов на единичных графических областях необходимо предварительно настроить отображение графиков в нужном разделе.

   Если запускался исторический инференс, оцените его результаты. Если требуется улучшить качество работы ML-модели, скорректируйте параметры индикатора инференса и/или предиктивного элемента. При необходимости повторно обучите предиктивный элемент и выполните инференс ML-модели.