Fujitsu: Технология глубинного обучения для анализа временных рядов данных с высокой точностью

Продукт
Разработчики: Fujitsu
Технологии: BI,  Интернет вещей Internet of Things (IoT)

В марте 2016 года Fujitsu Laboratories Ltd. объявила о разработке технологии глубинного обучения[1], способной с высокой точностью анализировать временные ряды данных. В перспективных приложениях для Интернета вещей временные ряды данных могут значительно варьироваться, поэтому выявление закономерностей их изменения оказывается для человека очень сложной задачей.

Машинное обучение является центральной технологией искусственного интеллекта. В последние годы в этой области все внимание было приковано к технологии глубинного обучения как способу автоматического извлечения характерных значений, необходимых для интерпретации и оценки явлений. Огромные объемы временных рядов данных собираются с устройств, особенно в эру Интернета вещей. Применяя глубинное обучение к этим данным и классифицируя их с высокой степенью точности, можно проводить дальнейший анализ с перспективой создания новых продуктов и решений и открытия новых направлений бизнеса.

Технология глубинного обучения, которая воспринимается как прорыв в развитии искусственного интеллекта, обеспечивает высочайшую точность распознавания изображений и речи, однако она по-прежнему применима лишь к ограниченным типам данных. В частности, до сих пор было трудно точно классифицировать в автоматическом режиме изменчивые временные ряды данных, поступающих от устройств, подключенных к Интернету вещей.

Fujitsu разработала технологию глубинного обучения на основе теории хаоса и топологии для автоматической точной классификации изменчивых временных рядов данных. Эта технология позволяет точно обрабатывать даже комплексные временные данные с большой амплитудой изменений.

Технология использует следующие процедуры для обучения и классификации:

1. Графическое представление временных рядов данных с использованием теории хаоса

Численные данные, поступающие с датчиков, представляются с помощью многомерных поверхностей как произведение комплексной комбинации динамических перемещений. Непосредственно исследование механизмов динамических перемещений представляет собой сложную задачу, однако построение графика зависимости этих изменений от времени, позволяет выявить характерные траектории для каждого механизма перемещений. Применение такого графического подхода позволяет провести различия между временными рядами данных с помощью схем.TAdviser выпустил Карту российского рынка цифровизации строительства 25.5 т

2. Количественное описание диаграмм с помощью топологии

Поскольку сложно непосредственно применить машинное обучение к схемам, созданным на шаге 1, компания Fujitsu использовала топологический анализ данных[2], чтобы выразить характеристики диаграмм в виде численных значений. В этом методе вместо функций, которые обычно связаны с графическими изображениями, проводится анализ количества отверстий в схеме и основных характеристик формы, а затем данные преобразуются в векторное представление свойств.

3. Обучение и классификация с использованием свёрточных нейронных сетей

Компания Fujitsu переработала концепцию свёрточных нейронных сетей, которые обучаются на векторных представлениях, полученных на шаге 2, и обеспечивают возможность классификации изменчивых временных рядов данных.

В эталонных тестах, которые были проведены в репозитории UC Irvine Machine Learning Repository[3] по классификации временных рядов данных, собранных с гироскопов в устройствах носимой электроники, новая технология продемонстрировала точность примерно 85%, что почти на 25% лучше по сравнению с уже имеющимися технологиями. В тестах по определению психического состояния человека с использованием временного ряда данных о мозговых импульсах этот метод достиг точности около 77%, что примерно на 20% лучше, чем у существующих методов.

Технология, разработанная Fujitsu, расширяет типы данных, к которым можно применять глубинное обучение. Более того, поскольку она позволяет очень точно классифицировать временные ряды данных со значительными изменениями, открываются возможности для новых типов анализа. Например, с помощью подключенных к Интернету вещей устройств можно будет точно выявлять аномалии в поведении оборудования, прогнозировать аварии на заводах, можно также использовать технологию при анализе важнейших признаков в медицинской диагностике и в процессе лечения. Подобное применение технологии, как ожидается, позволит добиться значительных успехов в различных областях, связанных с искусственным интеллектом.



Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2021 год
2022 год
2023 год
Текущий год

  Qlik (QlikTech) (59, 464)
  Форсайт (19, 330)
  SAP SE (70, 301)
  Oracle (65, 267)
  Loginom Company (ранее BaseGroup Labs Аналитические технологии) (4, 236)
  Другие (1081, 1514)

  SAP SE (6, 13)
  Форсайт (2, 8)
  Qlik (QlikTech) (2, 8)
  Microsoft (2, 6)
  Доверенная среда (1, 5)
  Другие (47, 73)

Распределение систем по количеству проектов, не включая партнерские решения

За всю историю
2021 год
2022 год
2023 год
Текущий год

Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2021 год
2022 год
2023 год
Текущий год

Распределение систем по количеству проектов, не включая партнерские решения

За всю историю
2021 год
2022 год
2023 год
Текущий год