في العالم الصناعي الحديث، تتولد كميات ضخمة من البيانات من المستشعرات عبر عمليات متعددة المراحل، مما يتطلب نهجًا متقدمًا لرصد ومعالجة تلك البيانات.

تتمثل التحديات الرئيسية في اكتشاف الشذوذ في البيانات متعددة المتغيرات (Multivariate Time Series Anomaly Detection - MTAD)، حيث يعد الكشف عن الشذوذ بشكل فعال أمرًا حيويًا للحفاظ على موثوقية الأنظمة الآلية وتجنب الأعطال الكارثية.

تستخدم الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) لتسهيل عملية MTAD من خلال الاستفادة من الرسوم البيانية المستندة إلى البيانات التي تمثل العلاقات بين المتغيرات. وعلى الرغم من ذلك، تجد العديد من الطرق الحالية أن دمج المعارف العملية لتشكل تلك النماذج بشكل مثالي يعد تحدياً كبيراً.

لذا، تم اقتراح إطار جديد يعتمد على المعرفة للمساعدة في تعلم الاعتماد المتعدد، حيث تتضمن استراتيجيتنا تطوير ثلاثة رسوم بيانية تكميلية: الأولى تعتمد بالكامل على البيانات، بينما الأخرى تعتمد على قيود هيكلية مستمدة من المعرفة العملية.

بفضل هذا النموذج الجديد الذي يستخدم شبكة انتباه الرسوم المتعددة (Multi-Graph Attention Network)، تم تحسين أداء اكتشاف الشذوذ بشكل كبير.

تظهر التجارب التي أجريت على مجموعتين من بيانات الصناعة الحقيقية أن دمج المعرفة العملية قد عزز من دقة الكشف عن الشذوذ بشكل ملحوظ.

إذا كنت مهتمًا بتطورات الذكاء الاصطناعي في مجال الصناعة، فلا تفوت فرصة الانضمام إلى النقاش حول هذه الابتكارات! ما رأيكم في هذا التطور؟ شاركونا في التعليقات.