MIAI: Istituto di intelligenza artificiale di Grenoble
EV Observe l'intelligenza artificiale potenziata dagli esperti dell'Istituto AI di Grenoble
Pochi team in Francia sono interessati a scoprire le relazioni causali nelle serie temporali. Grazie al loro lavoro in questo campo, EasyVista e il Laboratorio informatico di Grenoble hanno acquisito conoscenze all'avanguardia nel campo della causalità.
PERCHÉ EV OBSERVE ?
La risposta
I team di ricerca LIG sono interessati a dati di produzione reali per testare e dimostrare i loro algoritmi. EasyVista, con la sua piattaforma di monitoraggio SaaS EV Observe e i suoi flussi in tempo reale di milioni di punti dati, era quindi il candidato giusto".
Come spiega Eric, "Le nuove sfide si concentrano sulle relazioni causali e non solo sulle correlazioni tra gli oggetti. Questo approccio è nuovo, difficile e non ben affrontato in LIG. Ecco perché il progetto di 'analisi causale' di EV Observe ha permesso a LIG di far progredire questo ampio dominio della causalità con casi d'uso reali".
Vantaggi
- Scalabilità e robustezza della piattaforma di monitoraggio
Come risultato di questi 4 anni di ricerca, EasyVista ha ora forti competenze in materia di Big Data. Pochi editori sul mercato sono riusciti a passare a queste tecnologie complesse.
- Aumentare la disponibilità delle applicazioni critiche
Inserendo algoritmi in questo "grande motore" che sono i Big Data, la previsione di allarmi nel futuro prossimo (+2 ore, +15 ore, ecc.) o in quello più lontano (+3 mesi, +15 mesi, ecc.) consente di risparmiare tempo di attività e di ridurre la pressione sui team operativi, sia durante l'orario di lavoro che, soprattutto, nei periodi di reperibilità.
Rachid: "Lavorare sulla causalità ci permette di semplificare l'analisi di sistemi complessi, concentrandoci sulle avvertenze essenziali delle cause principali...".
- Migliorare il rapporto costo-efficacia dei sistemi di monitoraggio attraverso una maggiore efficienza dell'operatore e dell'automazione
Come spiega Rachid, "EV Observe è ora in grado di ridurre il rumore, cioè di ridurre i falsi positivi senza generare falsi negativi. La regolazione automatica della soglia è la chiave per ottenere una riduzione del rumore fino al 70% senza modificare il paradigma e l'organizzazione attuali degli operatori. Il nostro sistema di raccomandazione si adatta ai processi attuali degli utenti con una gestione minima delle modifiche.
Ora stiamo lavorando sul comportamento da adottare per rilevare automaticamente i cambiamenti anomali del sistema in un ampio set di dati".
Rachid Mokhtari, Direttore della Ricerca e Sviluppo di EasyVista "EasyVista ha dovuto confrontarsi con un gran numero di modelli di analisi dei dati per selezionare quelli più rilevanti e implementarli con successo in EV Observe. EasyVista e LIG hanno impiegato molto tempo per sviluppare, testare, migliorare e approvare questi modelli. Ciò consente a EasyVista di garantire una maggiore affidabilità della sua soluzione EV Observe al mercato.
