MIAI: Instituto de Inteligencia Artificial de Grenoble
La inteligencia artificial EV Observe potenciada por los expertos del Instituto de IA de Grenoble
Pocos equipos en Francia se interesan por el descubrimiento de relaciones causales en las series temporales. Gracias a sus trabajos sobre este tema, EasyVista y el Laboratorio de Informática de Grenoble han adquirido una experiencia puntera en el campo de la causalidad.
¿POR QUÉ EV OBSERVE ?
La respuesta
Los equipos de investigación del LIG están interesados en datos de producción reales para probar y demostrar sus algoritmos. EasyVista, con su plataforma de monitorización SaaS EV Observe y sus flujos en tiempo real de millones de puntos de datos, era por tanto el candidato adecuado."
Como explica Eric, "los nuevos retos se centran en las relaciones causales y no sólo en las correlaciones entre objetos. Este enfoque es nuevo, difícil y no está bien abordado en el LIG. Por ello, el proyecto de "análisis de causas" de EV Observe ha permitido al LIG avanzar en este vasto campo de la causalidad con casos de uso de la vida real."
Ventajas
- Escalabilidad y solidez de la plataforma de supervisión
Como resultado de estos 4 años de investigación, EasyVista tiene ahora una fuerte competencia en Big Data. Pocos editores del mercado han logrado cambiar a estas complejas tecnologías.
- Aumentar la disponibilidad de las aplicaciones críticas
Al inyectar algoritmos en este "gran motor" que es el Big Data, la predicción de alertas en un futuro próximo (+2 horas, +15 horas, etc.) o más lejano (+3 meses, +15 meses, etc.) permite ahorrar tiempo de actividad y reducir la presión sobre los equipos operativos tanto durante las horas de trabajo como, sobre todo, durante los periodos de guardia.
Rachid: "Trabajar sobre la causalidad nos permite simplificar el análisis de sistemas complejos centrándonos en las alertas esenciales de las causas profundas..."
- Mejorar la rentabilidad de los sistemas de supervisión mediante una mayor eficiencia de los operarios y la automatización
Como explica Rachid, "EV Observe es ahora capaz de reducir el ruido, es decir, reducir los falsos positivos sin generar falsos negativos. El ajuste de los umbrales en automático es la clave para obtener hasta un 70% de reducción del ruido sin cambiar el paradigma y la organización actuales de los operadores. Nuestro sistema de recomendación se adapta a los procesos actuales de los usuarios con poca gestión del cambio.
Ahora estamos trabajando en el comportamiento para detectar automáticamente cambios anormales del sistema en un gran conjunto de datos."
Rachid Mokhtari, Director de I+D de EasyVista "EasyVista se ha enfrentado a un gran número de modelos de análisis de datos para seleccionar los más relevantes e implementarlos con éxito en EV Observe. EasyVista y el LIG han dedicado mucho tiempo a desarrollar, probar, mejorar y aprobar estos modelos. Esto permite a EasyVista garantizar una mayor fiabilidad de su solución EV Observe al mercado.
