- เมื่อข้อมูลสตรีมมิงและ IoT เพิ่มขึ้น การตรวจจับความผิดปกติของอนุกรมเวลา จึงกลายเป็นโจทย์วิเคราะห์หลักในการแยกแยะความปกติและความผิดปกติในด้านต่าง ๆ เช่น ความมั่นคงปลอดภัยไซเบอร์ ตลาดการเงิน การบังคับใช้กฎหมาย และการแพทย์
- เมื่อแนวทางตรวจจับความผิดปกติแบบดั้งเดิมที่เน้นสถิติผสมเข้ากับแนวทางแมชชีนเลิร์นนิงสมัยใหม่ จึงเกิดความจำเป็นต่อ ระบบการจัดหมวดหมู่ ที่สะท้อนลำดับเวลาและโครงสร้างของอนุกรมเวลา
- ความผิดปกติอาจเกิดได้ไม่เพียงกับค่าจุดเดียว แต่ยังเกิดในบางส่วนของลำดับด้วย และการแยก ความผิดปกติแบบจุด·ความผิดปกติตามบริบท·ความผิดปกติแบบกลุ่ม จำเป็นต้องพิจารณาทั้งแพตเทิร์นรอบข้างและบริบทตามเวลา
- วิธีการส่วนใหญ่เป็นไปตามไปป์ไลน์ การเตรียมข้อมูลล่วงหน้า → โมเดลตรวจจับ → การให้คะแนน → การประมวลผลภายหลัง โดยแปลงอนุกรมเวลาให้เป็นเมทริกซ์ด้วย sliding window ก่อนคำนวณคะแนนความผิดปกติ
- รีวิวนี้จัดระเบียบวิธีการเป็น แบบอิงระยะทาง·แบบอิงความหนาแน่น·แบบอิงการพยากรณ์ เพื่อลดช่องว่างในการเปรียบเทียบระหว่างชุมชนนักวิจัยที่ใช้ชุดข้อมูล เบสไลน์ และตัวชี้วัดการประเมินต่างกัน
เหตุใดการตรวจจับความผิดปกติของอนุกรมเวลาจึงยาก
- อนุกรมเวลาคือลำดับของค่าจริงที่บันทึกตามเวลา และเมื่อการเรียงลำดับไม่ได้ขึ้นกับเวลาแต่ขึ้นกับมิติอย่างมุม มวล หรือตำแหน่ง ก็อาจใช้คำว่า data series หรือ data sequence ด้วย
- การวิเคราะห์อนุกรมเวลามีความจำเป็นในหลายสาขา เช่น ดาราศาสตร์ ชีววิทยา เศรษฐศาสตร์ วิทยาศาสตร์พลังงาน วิศวกรรมศาสตร์ วิทยาศาสตร์สิ่งแวดล้อม การแพทย์ ประสาทวิทยา และสังคมศาสตร์
- ความซับซ้อนของกระบวนการสร้างข้อมูล ความไม่สมบูรณ์ของระบบวัด และปฏิสัมพันธ์กับผู้ไม่หวังดี สามารถก่อให้เกิด ปรากฏการณ์ผิดปกติ ในข้อมูลที่เก็บรวบรวมได้
- เมื่อแอปพลิเคชัน IoT แพร่หลายมากขึ้นและสร้างอนุกรมเวลามากขึ้น ก็มีแนวโน้มว่าความผิดปกติที่ต้องค้นหาในคอลเลกชันอนุกรมเวลาก็จะเพิ่มขึ้นด้วย
- ความผิดปกติหมายถึงจุดข้อมูลหรือกลุ่มของจุดข้อมูลที่ไม่สอดคล้องกับความเป็นปกติหรือพฤติกรรมที่คาดหวังจากข้อมูลที่สังเกตมาก่อนหน้า
- ยังมีการใช้คำอย่าง outlier, novelty, exception, peculiarity, aberration, deviant, discord ร่วมด้วย
- ขึ้นอยู่กับแอปพลิเคชัน ความผิดปกติอาจเป็น สัญญาณรบกวน ที่ควรลบหรือแก้ไข หรืออาจเป็น เหตุการณ์ที่น่าสนใจ สำหรับการวิเคราะห์ต่อ เช่น ความขัดข้องหรือการเปลี่ยนแปลงของพฤติกรรม
นิยามและประเภทของความผิดปกติ
- ไม่มีนิยามที่เป็นหนึ่งเดียวและเป็นสากลของความผิดปกติที่แม่นยำ
- ตามธรรมเนียมแล้ว ความผิดปกติคือค่าที่สังเกตได้ซึ่งเบี่ยงเบนอย่างมากจากตัวอย่างส่วนใหญ่ของการแจกแจง และเป็นค่าที่ชวนให้สงสัยว่าอาจถูกสร้างจากกลไกที่ต่างจากข้อมูลอื่น
- หากผู้เชี่ยวชาญรู้การทำงานของระบบอย่างแม่นยำ ก็สามารถกำหนดการแจกแจงและพารามิเตอร์ของสถานะปกติ แล้วทำเครื่องหมายจุดที่อยู่ห่างจากค่าเฉลี่ยเกิน 3 ส่วนเบี่ยงเบนมาตรฐานว่าเป็นความผิดปกติได้
- แต่ในปัญหาจริง มักยากที่จะรู้การแจกแจงที่สร้างข้อมูลและปัจจัยต่าง ๆ ที่ส่งผลต่อผลลัพธ์อย่างแม่นยำ อีกทั้งการแจกแจงในภาคปฏิบัติก็ซับซ้อน จึงยากที่จะระบุความผิดปกติจากระยะห่างจากค่าเฉลี่ยที่ผู้เชี่ยวชาญนิยามไว้เพียงอย่างเดียว
- เมื่อความสามารถในการประมวลผลพัฒนาขึ้น จึงสามารถประเมินการแจกแจงจากข้อมูลดิบ และใช้อัลกอริทึมตรวจจับความผิดปกติโดยไม่ต้องพึ่งความรู้จากผู้เชี่ยวชาญได้
- วิธีเหล่านี้ขึ้นอยู่กับคุณภาพและบริบทของชุดข้อมูลอย่างมาก
-
ความผิดปกติของอนุกรมเวลา 3 แบบ
- ความผิดปกติแบบจุด (point anomaly): จุดข้อมูลเดี่ยวที่เบี่ยงเบนจากข้อมูลที่เหลืออย่างชัดเจน
- ความผิดปกติตามบริบท (contextual anomaly): จุดข้อมูลที่อยู่ในช่วงคาดหวังของการแจกแจงโดยรวม แต่เมื่อดูในบริบทเฉพาะ เช่น หน้าต่างเวลาหนึ่ง กลับเบี่ยงเบนจากการแจกแจงที่คาดหวัง
- ความผิดปกติแบบกลุ่ม (collective anomaly): ลำดับของจุดข้อมูลที่ไม่ทำซ้ำแพตเทิร์นที่พบเห็นโดยทั่วไป
- ความผิดปกติแบบจุดและแบบตามบริบทจัดเป็น point-based anomaly ส่วนความผิดปกติแบบกลุ่มจัดเป็น sequence-based anomaly
- การตรวจจับทั้งลำดับเป็นกรณีหนึ่งของการตรวจจับความผิดปกติของลำดับย่อยที่ใช้อนุกรมเวลาทั้งชุดเป็นเป้าหมายของการประเมิน และใช้ในสภาพแวดล้อมการคัดกรองเซนเซอร์เพื่อหาเซนเซอร์ที่ผิดปกติท่ามกลางเซนเซอร์ปกติ
มิติของข้อมูลและการตั้งค่าการเรียนรู้
- อนุกรมเวลาแบบตัวแปรเดียว คือรูปแบบที่ค่าจริงในมิติเดียวถูกเรียงลำดับต่อกัน และตรวจจับความผิดปกติโดยอิงจากลักษณะเดี่ยว
- อนุกรมเวลาแบบหลายตัวแปร คือชุดของลำดับหลายชุดที่มีความยาวเท่ากัน หรือเป็นลำดับของเวกเตอร์ค่าจริง
- ในกรณีหลายตัวแปร แม้ค่าของลักษณะเดี่ยวแต่ละตัวจะดูปกติ แต่ทั้งลำดับอาจผิดปกติได้
- ลำดับย่อยอาจแทนเป็นเวกเตอร์ในกรณีตัวแปรเดียว และเป็นเมทริกซ์ที่แต่ละแถวคือลำดับย่อยของหนึ่งมิติในกรณีหลายตัวแปร
-
การตรวจจับแบบไม่มีผู้สอน·กึ่งมีผู้สอน·มีผู้สอน
- วิธีแบบไม่มีผู้สอน ใช้เมื่อไม่มีข้อมูลจากผู้เชี่ยวชาญว่าควรตรวจจับความผิดปกติแบบใด
- สามารถทำงานได้โดยไม่ต้องมีคอลเลกชันขนาดใหญ่ของความผิดปกติที่รู้ล่วงหน้า
- สามารถตรวจจับพฤติกรรมผิดปกติที่ไม่เคยรู้มาก่อนได้โดยอัตโนมัติ
- ใช้ได้กับการติดตามสถานะของระบบหรือการทำเหมืองอนุกรมเวลาในอดีต
- วิธีแบบกึ่งมีผู้สอน ตรวจจับความผิดปกติโดยอาศัยตัวอย่างลำดับปกติที่ผู้เชี่ยวชาญให้มา
- เอกสารจำนวนมากก็จัดหมวดนี้เป็นวิธีแบบไม่มีผู้สอนเช่นกัน
- แต่ก็มีการแยกออกมาเพราะต้องอาศัยความรู้ล่วงหน้าเกี่ยวกับตัวอย่างปกติ จึงยากจะรวมเป็นหมวดเดียวกับวิธีแบบไม่มีผู้สอนอย่างสมบูรณ์
- วิธีแบบมีผู้สอน ใช้เมื่อผู้เชี่ยวชาญรู้แพตเทิร์นที่จะตรวจจับอย่างชัดเจน และมีคอลเลกชันอนุกรมเวลาผิดปกติที่มีป้ายกำกับ
- สามารถใช้ลำดับย่อยก่อนหน้าลำดับย่อยผิดปกติเพื่อทำนายลำดับย่อยที่ผิดปกติได้
- ลำดับย่อยที่เกิดก่อนเช่นนี้อาจเรียกว่า precursor ของความผิดปกติ
ไปป์ไลน์การตรวจจับที่ใช้ร่วมกัน
- อัลกอริทึมตรวจจับความผิดปกติของอนุกรมเวลาส่วนใหญ่มักมีลำดับ การเตรียมข้อมูลล่วงหน้า → วิธีตรวจจับ → การให้คะแนน → การประมวลผลภายหลัง
- ในขั้นตอนการเตรียมข้อมูลล่วงหน้า แนวทางแบบอิงหน้าต่างที่แปลงอนุกรมเวลาเป็นเมทริกซ์ซึ่งประกอบด้วยแถวของชิ้นส่วน sliding window เป็นสิ่งที่พบได้ร่วมกัน
- การเตรียมข้อมูลเพิ่มเติมจะแตกต่างกันไป เช่น การดึงคุณลักษณะเชิงสถิติ การฟิตโมเดลแมชชีนเลิร์นนิง หรือการสร้างโครงข่ายประสาท
- ในขั้นตอนการตรวจจับ จะใช้วิธีอย่างการคำนวณระยะทาง การฟิตไฮเปอร์เพลนสำหรับการจำแนก หรือการเปรียบเทียบลำดับย่อยที่สร้างขึ้นกับลำดับย่อยต้นฉบับบนชุดข้อมูลที่ผ่านการประมวลผลแล้ว
- ในขั้นตอนการให้คะแนน ผลการตรวจจับจะถูกแปลงเป็น คะแนนความผิดปกติ แบบจำนวนจริงที่แสดงระดับความผิดปกติของแต่ละลำดับย่อย
- คะแนนนี้ใช้ในการอนุมานคะแนนของแต่ละจุดข้อมูลด้วย
- อนุกรมเวลาของคะแนนผลลัพธ์จะมีความยาวเท่ากับอนุกรมเวลาต้นฉบับ
- ในขั้นตอนการประมวลผลภายหลัง จะดึงจุดหรือช่วงที่ผิดปกติออกมาจากอนุกรมเวลาของคะแนนความผิดปกติ
- โดยทั่วไปจะกำหนดค่า threshold และทำเครื่องหมายจุดที่มีคะแนนเกิน threshold ว่าเป็นความผิดปกติ
ระบบการจัดหมวดหมู่แบบเน้นกระบวนการ
- วิธีตรวจจับความผิดปกติของอนุกรมเวลาแบ่งได้กว้าง ๆ เป็น แบบอิงระยะทาง, แบบอิงความหนาแน่น, และ แบบอิงการพยากรณ์
- การจัดหมวดหมู่ในระดับที่สองไม่จำเป็นต้องแยกขาดจากกัน
- โมเดลหนึ่งอาจบีบอัดข้อมูลอนุกรมเวลาไปพร้อมกับใช้กลยุทธ์การระบุแบบ discord ได้ด้วย
-
วิธีแบบอิงระยะทาง
- วิธีแบบอิงระยะทางตรวจจับความผิดปกติโดยเปรียบเทียบค่าตัวเลขของอนุกรมเวลาดิบด้วยมาตรวัดระยะทาง
- โดยทั่วไปจะนิยามระยะทาง
d(A, B)ระหว่างลำดับสองชุดที่มีความยาวเท่ากัน และถ้าลำดับทั้งสองเหมือนกัน ระยะทางจะเป็น 0 - ระยะทางที่ใช้กันอย่างแพร่หลายคือ Euclidean distance และ Z-normalized Euclidean distance
- Dynamic Time Warping (DTW) มักถูกใช้เพื่อจัดการปัญหาความไม่ตรงกันของการจัดแนว
- หมวดย่อยหลักคือแบบอิงความใกล้เคียง แบบอิงการจัดกลุ่ม และแบบอิง discord
- แบบอิงความใกล้เคียง (proximity-based): ตัดสินว่าลำดับย่อยผิดปกติหรือไม่จากระดับความโดดเดี่ยวเมื่อเทียบกับเพื่อนบ้านที่ใกล้ที่สุด
- แบบอิงการจัดกลุ่ม (clustering-based): ระดับที่ลำดับย่อยไม่เข้ากับคลัสเตอร์ที่เรียนรู้ไว้ ระยะห่างจากคลัสเตอร์ หรือขนาดของคลัสเตอร์ อาจถูกใช้ในการคำนวณคะแนนความผิดปกติ
- แบบอิง discord (discord-based): ค้นหา discord ซึ่งเป็นลำดับย่อยที่มีระยะห่างจากเพื่อนบ้านที่ใกล้ที่สุดมากที่สุดในบรรดาลำดับย่อยทั้งหมดอย่างมีประสิทธิภาพ
-
วิธีแบบอิงความหนาแน่น
- วิธีแบบอิงความหนาแน่นไม่ได้มองอนุกรมเวลาเป็นเพียงชุดตัวเลข แต่ประมวลผลบนตัวแทนข้อมูลที่สามารถวัดความหนาแน่นในพื้นที่ของจุดหรือลำดับย่อยได้
- ตัวแทนข้อมูลมีได้หลากหลาย เช่น กราฟ ต้นไม้ ฮิสโตแกรม หรือกฎไวยากรณ์ที่อนุมานได้
- หมวดย่อยหลักคือแบบอิงการแจกแจง แบบอิงกราฟ แบบอิงต้นไม้ และแบบอิงการเข้ารหัส
- แบบอิงการแจกแจง (distribution-based): สร้างการแจกแจงจากคุณลักษณะเชิงสถิติของจุดหรือลำดับย่อย แล้วกู้คืนโมเดลทางสถิติที่เกี่ยวข้องผ่านการแจกแจงคุณลักษณะของลำดับย่อยปกติเพื่ออนุมานความผิดปกติ
- แบบอิงกราฟ (graph-based): แทนอนุกรมเวลาและลำดับย่อยเป็นกราฟ แล้วใช้คุณสมบัติของกราฟ เช่น น้ำหนักของโหนด·เอดจ์ หรือดีกรีของโหนด เพื่อตรวจจับความผิดปกติ
- แบบอิงต้นไม้ (tree-based): แบ่งจุดหรือลำดับย่อยด้วยต้นไม้ และใช้สถิติกับคุณลักษณะอย่างความลึกของต้นไม้เพื่อตัดสินความผิดปกติ
- แบบอิงการเข้ารหัส (encoding-based): ตีความอนุกรมเวลาเป็นลำดับของสัญลักษณ์ไม่ต่อเนื่องหรือสถานะในบริบทหนึ่ง แล้วใช้กฎไวยากรณ์ของสัญลักษณ์ที่สกัดออกมาเพื่อตรวจจับความผิดปกติ
-
วิธีแบบอิงการพยากรณ์
- วิธีแบบอิงการพยากรณ์ตรวจจับความผิดปกติโดยพยากรณ์พฤติกรรมปกติที่คาดหวังจากอนุกรมเวลาหรือจากลำดับย่อยที่ใช้ฝึก
- อาศัยสมมติฐานว่าข้อมูลปกติพยากรณ์ได้ง่าย ส่วนความผิดปกติคาดไม่ถึงจึงมีข้อผิดพลาดในการพยากรณ์สูง
- สมมติฐานนี้ใช้ได้เมื่อชุดฝึกไม่มีความผิดปกติหรือมีน้อยมาก
- วิธีแบบอิงการพยากรณ์มักเหมาะกับ การตั้งค่าแบบกึ่งมีผู้สอน มากกว่า
- หมวดย่อยหลักคือแบบอิงการพยากรณ์ล่วงหน้าและแบบอิงการสร้างกลับ
- แบบอิงการพยากรณ์ล่วงหน้า (forecasting-based): รับจุดหรือลำดับย่อยก่อนเวลาหนึ่งเป็นอินพุตเพื่อพยากรณ์ค่าถัดไปหรือลำดับย่อยถัดไป แล้วใช้ส่วนต่างระหว่างค่าจริงกับค่าที่พยากรณ์เป็นคะแนนความผิดปกติ
- แบบอิงการสร้างกลับ (reconstruction-based): บีบอัดอนุกรมเวลาหรือลำดับย่อยอินพุตลงสู่ latent space ที่เล็กกว่าแล้วสร้างกลับขึ้นมาใหม่ จากนั้นใช้ความต่างระหว่างอินพุตกับผลที่สร้างกลับเป็นคะแนนความผิดปกติ
การประเมินและช่องว่างในการเปรียบเทียบงานวิจัย
- พื้นที่วิจัยหลายส่วนส่วนใหญ่ยังแยกขาดจากกัน โดยใช้ชุดข้อมูล เบสไลน์ และตัวชี้วัดการประเมินที่ต่างกัน
- อัลกอริทึมใหม่ ๆ มักถูกเปรียบเทียบกับเพียงบางแนวทางที่เป็นตัวแทนได้ไม่เพียงพอ ทำให้ยากต่อการหาแนวทางระดับแนวหน้าสำหรับกรณีใช้งานเฉพาะ
- ระบบการจัดหมวดหมู่แบบเน้นกระบวนการช่วยให้สามารถจัดกลุ่มวิธีตรวจจับหลายแบบเป็นตระกูลอัลกอริทึมของแนวทางที่คล้ายกันเพื่อเปรียบเทียบกันได้
- สถิติจากวรรณกรรมแสดงแนวโน้มของประเภทแนวทางและสาขาวิจัยตามกาลเวลา
- มีการสรุปทั้งเบนช์มาร์กที่มีอยู่ซึ่งใช้เป็นฐานการประเมินร่วมกันได้ รวมถึงข้อดี ข้อเสีย และข้อจำกัดของตัวชี้วัดการประเมินการตรวจจับความผิดปกติของอนุกรมเวลา
1 ความคิดเห็น
ความคิดเห็นบน Hacker News
Matrix Profile เป็นหนึ่งในเครื่องมือที่ถูกประเมินค่าต่ำไปในการวิเคราะห์อนุกรมเวลา และมีประสิทธิภาพสูงมาก ไม่ต้องคอยปรับขนาดหน้าต่างและค่า threshold มากเหมือนเทคนิคดั้งเดิม แต่ก็เหมาะมากสำหรับการหา motif และความผิดปกติ อีกทั้งยังทำงานได้แข็งแกร่งในหลายสาขา เช่น ข้อมูลเซนเซอร์การผลิต การวิเคราะห์คลื่นไฟฟ้าหัวใจ และการตรวจจับแผ่นดินไหว
https://www.cs.ucr.edu/~eamonn/MatrixProfile.html
อันนี้ซึ่งทำโดยทีมวิจัยเดียวกันเป็นสื่อแนะนำที่ดีกว่า
https://matrixprofile.org/
การใช้งานระบบมี seasonality รายสัปดาห์ค่อนข้างชัดเจน จึงนำค่าของ metric เดียวกันเมื่อ 1 สัปดาห์, 2 สัปดาห์, 3 สัปดาห์ และ 4 สัปดาห์ก่อนมาเฉลี่ย แล้วเปรียบเทียบกับค่าปัจจุบัน วิธีนี้ช่วยให้ตั้งค่า threshold สำหรับการแจ้งเตือนได้แบบไดนามิกตามกลางวัน/กลางคืน และวันธรรมดา/วันหยุดสุดสัปดาห์ ทำให้เปรียบเทียบกับค่าเฉลี่ยตามวันในสัปดาห์หรือช่วงเวลาได้
ฝั่ง GitLab มีบทความอธิบายแนวทางนี้ละเอียดกว่านี้
https://about.gitlab.com/blog/2019/07/23/anomaly-detection-u...
ถ้ามีวันหยุดนักขัตฤกษ์คั่นอยู่จะซับซ้อนขึ้นเล็กน้อย แต่สามารถเขียนให้ Prometheus ทำได้จริง
https://promcon.io/2019-munich/slides/improved-alerting-with...
ไม่ได้เชี่ยวชาญด้านนี้มากนัก แต่ดูเหมือนว่าการพยากรณ์กับการตรวจจับความผิดปกติจะเกี่ยวข้องกันพอสมควร อาจเข้าใจผิดก็ได้
ตัวอย่างเช่น โมเดลอนุกรมเวลาอย่าง Granite TS ที่อดีตเพื่อนร่วมงานของผมทำขึ้นนั้น ทำงานได้ค่อนข้างดีจากที่ทดลองใช้
สิ่งที่ทำให้มุมมองต่อโมเดลตรวจจับความผิดปกติเปลี่ยนไปคือ สุดท้ายแล้วมันก็คือการทำนาย N ขั้นถัดไป แล้วดูว่าค่าที่วัดได้จริง “ต่างจากที่คาดไว้มากพอหรือไม่” เรื่องนี้วาดอธิบายบนไวท์บอร์ดสำหรับสัญญาณเดี่ยวได้ง่าย แต่สิ่งที่น่าสนใจมากคือมันใช้ได้กับข้อมูลหลายตัวแปรด้วย
[1] https://huggingface.co/ibm-granite/granite-timeseries-ttm-r1
[0] https://scikit-learn.org/stable/modules/generated/sklearn.en...
อุปกรณ์เหล่านี้สามารถตรวจจับการรั่วไหลและประเมินการใช้น้ำในระดับอุปกรณ์ได้ การตรวจจับการรั่วไหลก็คือการระบุความผิดปกติของอนุกรมเวลา และการตรวจจับความผิดปกติแบบอิงการแจกแจงที่กล่าวถึงในบทความก็เกี่ยวข้องกับเรื่องนี้ ที่น่าสนใจคือในที่อยู่อาศัยอาจต้องใช้หลายการแจกแจง เพราะอุณหภูมิท่อเปลี่ยนไประหว่างฤดูร้อนและฤดูหนาว
เท่าที่ลองมาจนถึงตอนนี้ก็ไม่ได้แย่มาก แต่มีข้อบกพร่องค่อนข้างใหญ่หลายอย่าง
คิดว่าคงใช้ไลบรารี C# ของ Microsoft ได้ แต่กลับแย่มากจริง ๆ คงดีถ้ามีใครสักคนมีทั้งเวลาและความตั้งใจจะทำไลบรารีที่ดีจริง ๆ ขึ้นมา
พื้นที่นี้เหมาะมากสำหรับ SaaS หรือเครื่องมือโอเพนซอร์สที่ปรับแต่งได้ พร้อมระบบรายงานขั้นสูงและกลไกการแจ้งเตือน Datadog ก็มีผลิตภัณฑ์ที่ดีเหมือนกัน แต่ราคาค่อนข้างแพง
โดยเฉพาะอย่างยิ่งกำลังทำให้มันทำงานแบบออฟไลน์เป็นค่าเริ่มต้น โดยผสาน AI เข้ากับอุปกรณ์ และไม่ส่งข้อมูลไปยังเซิร์ฟเวอร์ของบุคคลที่สามหรือแม้แต่เซิร์ฟเวอร์ของเราเอง เพราะมองว่าการต้องพลาดโอกาสกับลูกค้าจำนวนมากเพียงเพราะไม่สามารถเชื่อมต่อออนไลน์ได้นั้นเป็นเรื่องใหญ่ หากคุณกำลังมองหาโซลูชันมอนิเตอร์เครื่องจักรอุตสาหกรรม หรือสนใจซอฟต์แวร์อุตสาหกรรมที่อ่อนไหวด้านความปลอดภัย อยากชวนมาคุยกัน ขณะนี้กำลังพัฒนา data historian อยู่ด้วย: www.sentineldevices.com
ผม/ฉันสร้างระบบที่ตรวจจับและตอบสนองก่อนจะเกิดข้อยกเว้น ตัวอย่างเช่นคาดหวังว่าการชะลออัตราคำขอลงล่วงหน้าก่อนที่ฐานข้อมูลจะเต็ม จะดีกว่าปล่อยให้เกิดข้อยกเว้นขึ้นมาจริง ๆ
ตอนนั้นรู้สึกว่ายังมีงานให้ทำในสาขานี้อีกมาก และก็เสียดายนิดหน่อยที่ไม่ได้กลับมาทำต่อ
อีกปัญหาหลักหนึ่งคือการนิยามอย่างเข้มงวดและแม่นยำว่าอะไรคือ ความผิดปกติ และอะไรไม่ใช่
ถึงจะไม่ใช่ผลิตภัณฑ์หลัก แต่ก็มักช่วยเรื่องการเพิ่มประสิทธิภาพการปฏิบัติงานได้ ในภาคการผลิต สามารถใช้คอมพิวเตอร์วิทัศน์คัดแยกชิ้นงานผิดปกติบนสายการประกอบได้ และในงานปฏิบัติการก็ใช้ accelerometer/เซ็นเซอร์อุณหภูมิร่วมกับการวิเคราะห์ความถี่เพื่อตรวจจับสัญญาณความขัดข้องสำหรับการบำรุงรักษาเชิงพยากรณ์ได้ ส่วนงานขายก็สามารถใช้การวิเคราะห์อนุกรมเวลาของตัวเลขหรือคำร้องขอการสนับสนุน เพื่อดูสัญญาณขึ้น/ลงของกระแสเงินสด ความพึงพอใจของลูกค้า ฯลฯ ได้
https://youtu.be/vzPgHF7gcUQ?si=rKQvOjK_qjiSSvKE