論文の概要: Interactive and Intelligent Root Cause Analysis in Manufacturing with Causal Bayesian Networks and Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2402.00043v1
• Date: Sat, 20 Jan 2024 21:25:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-04 05:10:18.007445
• Title: Interactive and Intelligent Root Cause Analysis in Manufacturing with Causal Bayesian Networks and Knowledge Graphs
• Title（参考訳）: 因果ベイズネットワークと知識グラフを用いた生産における対話的かつインテリジェントなルート原因分析
• Authors: Christoph Wehner, Maximilian Kertel, Judith Wewerka
• Abstract要約: 電気自動車の製造における根本原因分析(英: Root Cause Analysis、RCA)は、故障原因を特定するプロセスである。 本稿では,電気自動車製造プロセスのエキスパート知識とデータ駆動型機械学習手法を組み合わせた,インタラクティブでインテリジェントなRCAツールを提案する。
• 参考スコア（独自算出の注目度）: 0.39462888523270856
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Root Cause Analysis (RCA) in the manufacturing of electric vehicles is the process of identifying fault causes. Traditionally, the RCA is conducted manually, relying on process expert knowledge. Meanwhile, sensor networks collect significant amounts of data in the manufacturing process. Using this data for RCA makes it more efficient. However, purely data-driven methods like Causal Bayesian Networks have problems scaling to large-scale, real-world manufacturing processes due to the vast amount of potential cause-effect relationships (CERs). Furthermore, purely data-driven methods have the potential to leave out already known CERs or to learn spurious CERs. The paper contributes by proposing an interactive and intelligent RCA tool that combines expert knowledge of an electric vehicle manufacturing process and a data-driven machine learning method. It uses reasoning over a large-scale Knowledge Graph of the manufacturing process while learning a Causal Bayesian Network. In addition, an Interactive User Interface enables a process expert to give feedback to the root cause graph by adding and removing information to the Knowledge Graph. The interactive and intelligent RCA tool reduces the learning time of the Causal Bayesian Network while decreasing the number of spurious CERs. Thus, the interactive and intelligent RCA tool closes the feedback loop between expert and machine learning method.
• Abstract（参考訳）: 電気自動車の製造における根本原因分析(rca)は、故障原因を特定するプロセスである。 伝統的に、RCAはプロセス専門家の知識に頼って手動で行われる。 一方、センサーネットワークは製造過程でかなりの量のデータを収集する。 このデータをRCAに使用すれば、より効率的になります。 しかし、Causal Bayesian Networksのような純粋にデータ駆動の手法は、膨大な量の因果関係(CERs)のため、大規模で現実的な製造プロセスへのスケーリングに問題がある。 さらに、純粋にデータ駆動型メソッドは、既に知られているcersを除外したり、スプリアスcersを学ぶ可能性を秘めている。 本論文は,電気自動車製造プロセスのエキスパート知識とデータ駆動機械学習手法を組み合わせた,インタラクティブでインテリジェントなRCAツールを提案する。 Causal Bayesian Networkを学習しながら、製造プロセスの大規模知識グラフを推論する。 さらに、対話型ユーザインタフェースにより、知識グラフに情報を追加・削除することで、プロセスのエキスパートが根本原因グラフにフィードバックを与えることができる。 対話的でインテリジェントなrcaツールは、スプリアスcersの数を減らしつつ、因果ベイズネットワークの学習時間を短縮する。 このように、インタラクティブでインテリジェントなRCAツールは、エキスパートと機械学習メソッドの間のフィードバックループを閉じる。

関連論文リスト

• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Coupling Machine Learning with Ontology for Robotics Applications [0.0]
  動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。 二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
  論文  参考訳（メタデータ） (2024-06-08T23:38:03Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• PyRCA: A Library for Metric-based Root Cause Analysis [66.72542200701807]
  PyRCAは、AIOps(AIOps)のためのRoot Cause Analysis(RCA)のオープンソースの機械学習ライブラリである。 複雑なメトリクス因果依存性を明らかにし、インシデントの根本原因を自動的に特定する、包括的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-20T09:55:10Z)
• Automatic Root Cause Analysis via Large Language Models for Cloud Incidents [51.94361026233668]
  クラウドインシデントの根本原因分析を自動化するために,大規模言語モデルによって強化されたオンコールシステムであるRCACopilotを紹介する。 RCACopilotは、入ってくるインシデントと、そのアラートタイプに基づいて対応するインシデントハンドラとをマッチングし、クリティカルランタイム診断情報を集約し、インシデントの根本原因カテゴリを予測し、説明的な物語を提供する。 Microsoftから1年分のインシデントからなる実世界のデータセットを使用してRCACopilotを評価する。
  論文  参考訳（メタデータ） (2023-05-25T06:44:50Z)
• Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis [49.910053255238566]
  ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。 従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。 我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2023-05-18T01:27:48Z)
• Mining Root Cause Knowledge from Cloud Service Incident Investigations for AIOps [71.12026848664753]
  サービス破壊インシデントの根本原因分析(RCA)は、ITプロセスにおける最も重要かつ複雑なタスクの1つです。 本研究では、Salesforceで構築されたICAと、ダウンストリームのインシデントサーチとレトリーバルベースのRCAパイプラインについて紹介する。
  論文  参考訳（メタデータ） (2022-04-21T02:33:34Z)
• A Survey on Extraction of Causal Relations from Natural Language Text [9.317718453037667]
  因果関係はテキストに頻繁に現れ、テキストから因果関係を計算することで、予測タスクのための因果関係を構築するのに役立つ。 既存の因果抽出技術には、知識ベース、統計機械学習(ML)ベース、深層学習ベースアプローチなどがある。
  論文  参考訳（メタデータ） (2021-01-16T10:49:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。