PerfectPattern
Bitte aktivieren Sie Javascript, um diese Seite korrekt darzustellen.

PYTHIA

Automated Data Science

PYTHIA ist ein Plattformprodukt zur Mustererkennung, Zeitreihenvorhersage und Anomalieerkennung in Echtzeit-Datenströmen. Durch Kombination von Methoden aus Deep Learning, stochastischem Kalkül, unendlich dimensionaler Geometrie sowie Quantenfeldtheorie findet es selbstständig auch verborgenste Muster.

PYTHIA ist ein Produkt für die unüberwachte und automatisierte Regressionsanalyse, Klassifizierung und Zeitreihenvorhersage. Es findet selbst komplexeste Muster und Beziehungen innerhalb unstrukturierter und asynchroner Daten. Es lernt, wie man jede gewünschte Größe vorhersagt und kontrolliert. Kein Parametertuning erforderlich!

So funktioniert PYTHIA

PYTHIA kann geordnete Daten aus vielen verschiedenen Strömen ungeordneter Betriebsdaten extrahieren. Dies wiederum kann als Grundlage verwendet werden für die Fabriksteuerung oder zur Vorhersage der Wahrscheinlichkeitsverteilung eines Maschinenausfalls in der Zukunft.

Der Einsatz von PYTHIA beruht stets auf den folgenden vier Schritten:

  • Streaming unstrukturierter und asynchroner Daten in PYTHIA
  • Sagen Sie PYTHIA, was Sie wissen wollen, wie es das System beeinflussen kann und was es erreichen soll.
  • PYTHIA lernt selbstständig, wie man ihre Fragen beantwortet und wie man das System steuert, um seine Ziele zu erreichen.
  • Das System lernt selbstständig, wie man die Qualität verbessert und Ausfälle verhindert.

Methodik

Die folgende Tabelle vergleicht die Methodik der typischen Datenanalyse (Andere) Schritt für Schritt mit PYTHIA.

  PYTHIA   Andere
1 Unüberwachte Datensynchronisation 1 Datensynchronisation durch Data Scientists
2 Unüberwachte Anomalieerkennung für die Datenreinigung 2 Data Cleaning durch Data Scientist
3 Unüberwachte Extraktion von Abhängigkeiten einschließlich Reaktionszeiten 3 Extraktion von Abhängigkeiten einschließlich Reaktionszeiten durch Data Scientists und Domain-Experten
4 Automatisierte Erstellung des Zeitreihenmodells 4 Grundursachenanalyse und Erstellung des Zeitreihenmodells durch Data Scientists
5 Vorhersage der Zielgröße basierend auf verzögerten SDEs 5 Vorhersage der Zielgröße durch den Data Scientist
6 Lernen der Auswirkungen auf den Erwartungswert der Zielgröße 6 Erstellung eines Modells zur Ursachenbeeinflussung durch den Data Scientist

Sie haben einen Datensatz und möchten Informationen daraus extrahieren? Wenn die Informationen drin sind, wird PYTHIA sie finden.


Eine neue Art der Mustererkennung

Die folgende Tabelle vergleicht die Mustererkennung von PYTHIA mit der von künstlichen neuronalen Netzwerken (KNN).

PYTHIA KNN
Benötigte Datenmenge Klein Groß
Training global lokal
Berechnungsgeschwindigkeit schnell schnell
Überfitten nein tendenziell
Tweaking nein viel
Transparenz voll nicht klar warum es funktioniert

Highlights

  • Kein Parametertuning oder manuelles Datencleaning erforderlich.
  • Wenn sich die Informationen in den Daten befinden, wird Pythia sie finden (nachweisbar).
  • Sucht im Raum ALLER möglichen Modelle. Nicht einmal beschränkt auf KNNs.
  • Basierend auf Quantenfeldtheorie, stochastischen Prozessen und unendlich-dimensionaler Geometrie.

In Verbindung mit CORTEX besteht somit die Möglichkeit, dass Maschinen lernen, einem Ausfall selbstständig entgegenzuwirken.