Международная научно-практическая конференция International Conference on Big Data and its Applications (ICBDA) выросла из мероприятия Big Data Russia и проводится один раз в год, объединяя на одной площадке создателей новых технологий в области больших данных, представителей бизнеса, а также научных сотрудников и молодых ученых. В этом году конференция прошла 16 сентября в коворкинге Deworkracy. Организаторы ICBDA благодарят Data-Centric Alliance (DCA) за поддержку мероприятия, а также отдельное спасибо Artox Media и NVIDIA.

1. ПРИМЕР ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
К ЗАДАЧАМ УПРАВЛЕНИЯ ИНФРАСТРУКТУРОЙ РЖД
«Применение ML в РЖД ускоряет
принятие решений в 5 раз и
снижает ошибки в 2 раза.»*
1*экспертная оценка при полномасштабном внедрении

2. Развитие системы мониторинга МЖД
2

3. Центр мониторинга РЖД
v 5 тысяч инцидентов в сутки 24x7, ~4 часа на устранение
v 100% инцидент фиксируется и расследуется
v ~3% инцидентов требуют уточнения (телефонный звонок)
v Малая доля инцидентов – реальная неисправность
v Остальное – технологический шум
v Утомление персонала и пропуски отказов
3
Новый Устраняется Выполнено Закрыто

4. Причины пропуска отказов (2015)
0% 10% 20% 30%
Отсуствие контроля за обработкой инцидентав с …
Затраты времени на переключение между …
Обработка инцидента с равнозначной степенью …
Нарушение трудовой дисциплины
Затраты времени на проверку с помощью средств …
Ошибочные выводы при оценке диагностической …
Отвлечение на инцидент, формирующийся …
Отвлечение на инцидент, имеющий менее важное …
Нарушение требований документов, …
Отсутствие реакции на типовые, регулярно …
Отвлечение на инциденты, формируемые …
Отвлечение персонала на инциденты, связанные с …
4

5. Задача автоматического ранжирования
v Задача: классифицировать инциденты на неисправности и шум
v Входные данные
v все доступные параметры инцидента и история за 3 года
v контекст (например, погода)
v Выходные данные: вероятность предотказа объекта
5

6. Признаки инцидентов
Тип и количество
v Типы всех ситуаций в инциденте
v Типы всех отказавших объектов
v Тип первой ситуации
v Тип первого отказавшего объекта
Общее количество ситуаций
v Количество объектов
v Количество типов ситуаций
Прочие
vТревожность инцидента
Время
v Время начала
v Время завершения
v Продолжительность
v Время между первой и второй
ситуацией
v Время последнего обновления
Место
v Станция или перегон
v Принадлежность дистанции
6

7. Обзор алгоритма ранжирования
v Исторические данные
v Более 3 лет
v 5.3 млн инцидентов
v XGBoost + препроцессинг
v Лес решающих деревьев
v 4,000 деревьев глубины 10
v 300,549 ветвлений / вариантов исходов
v Прогноз в среднем за 1.2 мс
v Генерация признаков экспертами
7

8. 8

9. Технические результаты
Сводка за 1 месяц (2016 год)
v 500 тыс. ситуаций
v 100 тыс. инцидентов
v 2 тыс. предотказов
Показатели эффективности
v Время ответа ~1.7 мс
v AUC: 0.914, (0.901 на практике)
v 20% / 80%
9

10. Бизнес результаты
v Подконтрольное внедрение,
экспертная оценка
v Снижение количества
пропущенных отказов – в 2 раза
v Снижение среднего времени
реакции на предотказ – в 5 раз
v Проверена готовность
персонала к работе с системой
v Система рекомендована к
тиражированию ОУС РЖД
10

11. Спасибо!
v Евгений Быков
v CTO @ Telum
v bikov@ranberry.net
v +7 (985) 128-37-08
v +7 (495) 280-07-06
11