A carregar...
Publicação
Degradation Events Detection Predictive Maintenance
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.53 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
NOS is a Portuguese telecommunications company that offers a wide variety of services,
like mobile plans, Broadband internet, HDTV, and more. To maintain an impeccable
quality of service, NOS extracts performance indicators from its equipments to analyse in
a GDPR compliant fashion. Ideally, the data would be perfectly labeled, and all anomalies
reported. However, it is up to the clients to report issues, therefore the problem of label
uncertainty arises. This is due to lack of communication or different levels of tolerance
and patterns coming from the customer-side. Also, several services have different types
and frequency of anomalies.
To overcome the anomaly detection problem, we propose an unsupervised approach
that uses a set of autoencoders. The autoencoder is trained to capture the characteristics
of the data without the need for absolute truth. Instead of fine-tuning a different model
for every service, the autoencoder should be able to adapt to each service, overcoming the
problem of scalability if the number of use-cases among the services is large.
The goal of this work is to investigate the performance of scalable approaches with
minimal human interaction to the ages old problem of outlier and anomaly detection.
A NOS é uma empresa portuguesa de telecomunicações que oferece uma grande variedade de serviços, como planos móveis, internet de banda larga, HDTV, e muito mais. Para manter uma boa qualidade de serviço, esta extrai indicadores de desempenho dos seus equipamentos para analisar de forma compatível com o GDPR. Idealmente, os dados estariam totalmente rotulados, e todas as anomalias seriam reportadas. No entanto, cabe aos clientes relatar os problemas, pelo que surge o problema da incerteza nos rótulos. Isto deve-se à falta de comunicação ou a diferentes níveis de tolerância e padrões vindos do lado do cliente. Além disso, vários serviços têm diferentes tipos e frequência de anomalias. Para ultrapassar o problema de detecção de anomalias, propomos uma abordagem não supervisionada que utiliza um conjunto de autoencoders. O autoencoder é treinado para captar as características dos dados sem a necessidade de verdade absoluta. Em vez de afinar um modelo diferente para cada serviço, o autoencoder deverá ser capaz de se adaptar a cada serviço, superando o problema da escalabilidade se o número de casos de utilização entre os serviços for grande. O objectivo deste trabalho é investigar o desempenho de abordagens escaláveis com um mínimo de interacção humana com os antigos problemas de detecção de anomalias e anomalias.
A NOS é uma empresa portuguesa de telecomunicações que oferece uma grande variedade de serviços, como planos móveis, internet de banda larga, HDTV, e muito mais. Para manter uma boa qualidade de serviço, esta extrai indicadores de desempenho dos seus equipamentos para analisar de forma compatível com o GDPR. Idealmente, os dados estariam totalmente rotulados, e todas as anomalias seriam reportadas. No entanto, cabe aos clientes relatar os problemas, pelo que surge o problema da incerteza nos rótulos. Isto deve-se à falta de comunicação ou a diferentes níveis de tolerância e padrões vindos do lado do cliente. Além disso, vários serviços têm diferentes tipos e frequência de anomalias. Para ultrapassar o problema de detecção de anomalias, propomos uma abordagem não supervisionada que utiliza um conjunto de autoencoders. O autoencoder é treinado para captar as características dos dados sem a necessidade de verdade absoluta. Em vez de afinar um modelo diferente para cada serviço, o autoencoder deverá ser capaz de se adaptar a cada serviço, superando o problema da escalabilidade se o número de casos de utilização entre os serviços for grande. O objectivo deste trabalho é investigar o desempenho de abordagens escaláveis com um mínimo de interacção humana com os antigos problemas de detecção de anomalias e anomalias.
Descrição
Palavras-chave
Predictive Maintenance Machine Learning Deep Learning Neural Networks Recurrent Networks Convolutional Networks