Этап №1"Разработка моделей корреляционных нейронов и оценка эффективности их работы в задачах анализа телеметрических данных. Разработка алгоритмов синтеза и автоматического обучения с учителем сетей корреляционных нейронов и оценка эффективности их работы в задачах анализа телеметрических данных. Разработка архитектуры опытного образца веб-сервиса. Разработка ядра опытного образца веб-сервиса. Разработка модуля Управление экспериментом. Разработка пользовательского интерфейса."

Отчет 115 с., 30 рис., 8 табл., 58 источн., 2 прил. ДОВЕРЕННЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ДРЕЙФ МОДЕЛИ, ЦИФРОВАЯ ТРАНСФОРМАЦИЯ, МОНИТОРИНГ МОДЕЛЕЙ, АВТОМАТИЧЕСКОЕ ОБУЧЕНИЕ, КОРРЕЛЯЦИОННЫЕ НЕЙРОНЫ, НЕЙРО-ИММУННЫЕ МОДЕЛИ, MODELOPS-ПЛАТФОРМЫ. Объектом исследования являются модели доверенного искусственного интеллекта и алгоритмы их обучения на малых выборках телеметрических данных. В рамках первого этапа исследования ставится цель: разработать прототип продукта с минимальным функционалом и решить проблему автоматизации обучения в пакетном режиме сетей корреляционных нейронов с использованием незначительных объемов телеметрических данных. На первом этапе исследования получены следующие основные результаты: - разработаны модели корреляционных нейронов и проведена оценка эффективности их работы в задачах анализа телеметрических данных; - разработаны алгоритмы синтеза и автоматического обучения с учителем сетей корреляционных нейронов и проведена оценка эффективности их работы в задачах анализа телеметрических данных; - разработана архитектура опытного образца веб-сервиса; - разработано ядро опытного образца веб-сервиса; - разработан модуль Управление экспериментом; - разработан пользовательский интерфейс веб-сервиса. В качестве телеметрических данных использовались: - данные кредитных бюро и анкет клиентов банков, которые регистрируются автоматизированными системами; - данные датчиков, осуществляющих мониторинг работоспособности скважин на нефтегазовых месторождениях и насосно-компрессорного оборудования. На первом этапе исследования были достигнуты следующие показатели: - сокращен объем тренировочной выборки при автоматическом обучении моделей для задачи кредитного скоринга в разы от 2,5 до 11 раз, а для задачи прогнозирования нештатных ситуаций при работе нефтегазовых скважин – от 7% до 17,5 раз; - снижены вероятности ошибок 1-го и 2-го рода при классификации образов по набору физических параметров на 12%-35%; - снижены вероятности ошибок 1-го и 2-го рода при классификации временных рядов более чем на 14%; - предложено 2 шаблона моделей искусственного интеллекта для переиспользования в задачах кредитного скоринга и прогнозирования нештатных ситуаций при работе нефтегазовых скважин. Все задачи, поставленные в рамках первого этапа исследования, были успешно выполнены в полном объеме.