Ten sam kod, różne maszyny: jak przygotować wspólny raport

Dlaczego sam kod E17 nie wystarczy

W przykładzie porównujemy rodziny urządzeń A i B, a znaczenia kodów przyjęto na potrzeby przykładu. W dokumentacji rodziny A kod E17 oznacza komunikat o łączności, w rodzinie B ten sam kod dotyczy czujnika temperatury. Zestawienie wszystkich wpisów E17 w jednej grupie ukryłoby tę różnicę. Dobry raport pokazuje osobno komunikaty o łączności z rodziny A i o czujniku z rodziny B, z przejściem do oryginalnych zapisów.

Jeśli zapis zawiera tylko E17, a rodziny urządzenia nie da się ustalić, wpis zostaje do wyjaśnienia. Częstsze występowanie jednego znaczenia w archiwum nie daje podstawy, żeby przypisać je temu wpisowi. Kategoria opisuje treść komunikatu i nie ustala przyczyny zdarzenia, pilności ani sposobu postępowania z urządzeniem.

Ile daje prostsza zmiana, a ile trening

W tym rachunku tabela powiązań z rodziną urządzenia daje większość efektu za ułamek kosztu. Trening ma sens przy większej skali albo gdy pozostałe błędy są kosztowne. Błędna kategoria kosztuje więcej niż wpis zostawiony do wyjaśnienia, bo wymaga poprawienia pozornie gotowej części raportu, dlatego oba wyniki liczymy osobno.

Zbiór przykładów do uczenia trzeba utrzymywać: gdy zmienia się proces, nazewnictwo albo model bazowy, ocenę powtarza się na tym samym zbiorze testowym. Ten koszt wpisujemy do wyceny razem z samym uczeniem.

Gdzie model może pomóc

Gdy rodzina urządzenia i znaczenie kodu są znane, zwykła tabela powiązań wystarczy, a uczenie modelu nie jest potrzebne. Przed zamówieniem sprawdź, czy eksport do raportu nie pomija nazwy urządzenia albo czy systemy nie używają różnych oznaczeń tej samej rodziny. Model ma pracę, gdy informacja pojawia się w różnie napisanych opisach, skrótach albo komunikatach kolejnych generacji urządzeń. Google opisuje nadzorowane dostosowanie modeli do określonych zadań, w tym klasyfikacji. Nowe znaczenie kodu w kolejnej generacji urządzeń dopisujesz do tabeli i przykładów, bo model sam go nie pozna.

Od czego zacząć

Próbę robimy na komunikatach i rodzinach urządzeń niewykorzystanych do dostosowania, z dokumentacją i ustalonym kontekstem. Analityk widzi liczbę błędnych przypisań obok liczby wpisów zostawionych do wyjaśnienia. Opisy zdarzeń utrzymania ruchu porządkuje tekst fine-tuning do opisu zdarzeń. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację, w której pracownik widzi wynik obok źródła, w ramach aplikacji AI. Na bezpłatną analizę wystarczy kilka przykładów błędu, który wraca, i opis, kto go dziś poprawia.