Ок, Лариса! Мониторинг проблем производительности с применением нейронных сетей

0. 2435 27.04.20 11:02 Сейчас в теме
Проводить мониторинг производительности вручную, выявляя закономерности в куче графиков и десятках таблиц, довольно сложно. Но это не значит, что разбираться с инцидентами нужно только после жалоб от пользователей. О том, как обучить нейронную сеть и заставить ее оповещать о проблемах, на конференции Infostart Event 2019 Inception рассказал начальник сектора разработки ООО «Группа Полипластик» Владимир Крючков.

Перейти к публикации

Комментарии
В избранное Подписаться на ответы Сортировка: Древо развёрнутое
Свернуть все
1. user1089020 27.04.20 17:17 Сейчас в теме
2. protexprotex 129 28.04.20 08:23 Сейчас в теме
Ну в том виде, в котором сейчас существуют нейронные сети - качество мышления будет всегда на уровне микроба. Даже не таракана. Количественно можно в сеть хоть 300 миллиардов нейронов, но от этого качественный скачок не произойдет. Нужны качественно новые алгоритмы обучения сети. Т.к. при росте глубины сети возникает проблема синхронизации слоев сети между собой. Это решается путем остаточного обучения, но скорость сходимости оставляет желать лучшего. Чтобы обучить такую сеть даже на супермощных кластерах видеокарт нужно время - недели. А еще нужно выбирать оптимальную структуру сети - т.е. нужно запускать обучение несколько раз. В мозге все происходит по другому (пока точно не знает никто как). Т.е. об online обучении таких сетей пока и речи нет. Да и то - только распознавание кошек, собачек, голоса. А вот именно чтобы сделать online систему реагирующую на внешний мир хотя бы как таракан - тут бедааа... Но это не умаляет нейронные сети как аппроксиматор функции - и применение их в решении (например) указанным автором. Т.е. нейроныне сети - это не панацея (счас СМИ раздули из них чуть не аналог человеческого мозга (да и ученые специально подогревают интерес к ним чтобы финансирование получить)), а просто очередной инструмент решения определенного круга задач. Мне, например более близки алгоритмы бустинга - они более стабильны к переобучению.
3. wowik 837 28.04.20 12:47 Сейчас в теме
+1 за старания, картинки, изложение материала!
4. утюгчеловек 29 29.04.20 14:28 Сейчас в теме
Я пока не весь репозиторий вычитал. Интересно, но не понятно:

1. Есть ли вообще в индустрии ИТ кейсы применения карты кохонена для задачи мультиклассовой классификации? Я про карты Кохонена уже лет 8 точно не слышал. Кажется, что это древность покрытая пылью)

2. "90% великолепных срабатываний" - как измеряли и какая это метрика? Какой итоговый F1 для каждого класса (work/high/critical/overload)?

3. Было ли сравнение и по каким метрикам с базовыми решениями (простыми правилами на условиях, другими методами классификации - кажется в 1С есть дерево решений и К средних)

В публикации очень много воды. Зачем мне знать про аксоны и то как видит сеть (тем более что однослойная Лариса точно так не видит)?
troubleshooter; Terve!R; +2 Ответить
5. Terve!R 04.05.20 11:10 Сейчас в теме
Прочитать такую статью - лучший способ почувствовать себя тупой амебой)

Тема очень интересная, но и кажется невероятно сложной. Недаром даже Big Data в отельную профессию выделяют, а тут ИИ на стыке различных знаний и технологий. Даже не знаю, как найти время все это изучить и осознать, и получится ли)
Оставьте свое сообщение
Вопросы с вознаграждением