Das Szenario
Ein produktives System für vorausschauende Wartung muss Modelleingaben, Vorhersagen und Drift überwachen, um die Zuverlässigkeit sicherzustellen und Warnungen auszulösen.
Was diese Zeichnung zeigt
Die dahinterstehenden Entscheidungen verstehen.
01
Prediction- und ActualOutcome-Tabellen trennen, um Prognosen mit beobachteten Geräteausfällen zu vergleichen
02
Merkmalsverteilungen und Drift-Metriken als eigenständige Entitäten modellieren, um die automatisierte Überwachung zu unterstützen
03
DataQualityIssue mit Reading verknüpfen, um vorgelagerte Datenqualitätsprobleme nachzuverfolgen
Beim Entwurf eines Schemas für ML-Observability, Drifterkennung oder die Nachverfolgung der Modellleistung in industriellen IoT- oder Wartungsumgebungen verwenden.