看起来,也没有更好的途径。项目组曾私下问过有经验的运维人员,如何把这些经验传给新人,他们想了一会说:这个,靠“悟”!
于是我们的分析师开始了悟道之路,花了大量的时间完成征兆规则和数据的关联,并向专家反复求证,形成了核心指标体系,将定性的描述定量化,专家的经验终于被“悟”成了机器代码。三个月,一个像样的模型终于跑通了。
04
落地部署 只是智能化的开端
到了这一步,隐性知识终于显性化了,是不是可以写项目总结了?事实告诉我们,不能高兴得太早。比如,一个现场可用的预警模型,过于敏感或者过于迟钝都是不可取的;再比如,从数据中筛查出的专家无意识遗漏的额外异常征兆,是否纳入产品考量?
项目团队立下了“零误报”的小目标,和专家反复推敲,将模型的预警确定到了一个合适的灵敏度。现场专家们对最终结果表示超出预期,从堵磨风险指数、状态评估到操作建议,这个历经多番磨难的模型将成为一个得力的工具,真正有效地帮助他们的日常工作。
当然,产品上线后,还需要结合现场运行工况,算法不断优化和迭代的过程,这次,暂且略过不表。
回顾至此,我们不只是想鼓励广大从业者,知易行难,却仍要知难而上。
划重点!!!
定义一个合适的数据可解的问题至关重要;
让机理和算法握手,是一个反复试错反复验证的过程;
在这背后,大量数据处理工作往往耗时耗力却不为人知。
从信息化系统中做数据迁移和接入绝不是“拉一根网线”这么简单,原有系统导出的原始数据并不能直接用于模型训练,因此团队做了大量数据接入、预处理、数据结构化、数据标记等数据工程,同时,为分析模型创建了一个利于小规模快速迭代的运行环境。
在帮助专家经验形式化的过程中,我们历经了跨领域多个知识沉淀的全闭环,也将部分我们的经验(血泪史)形式化、服务化、产品化,以期帮助更多从业专家,将大量的技术原理、行业知识、基础工艺、模型工具,更高效、便捷的沉淀和复用。
2020年,经济下行压力的严峻挑战之下,修炼内功正当时。