Разворачиваю статью для тех, кто проголосовал за подробности. Сценарии для когнитивных вычислений в различных индустриях:
— Пользовательский сервис. Дополнительный интеллектуальный слой для помощи клиентам, фактически цифровые помощники для помощи с выбором, автоматизации процессов, сглаживания обучения и т.п. Самое очевидное — всевозможные чатботы.
— Здравоохранение. Забота о здоровье, — пишет Рональд, — очевидно, не безнес со 100% эффективностью, так как есть множество отклонений от "идеальных процессов". Машинная прослойка может делать первичную обработку информации и предварительные выводы, как данные для лечащих врачей.
— Индустриальный IoT. Мы научились накапливать и обрабатывать много данных. Один из следующих шагов — использование аналитики для работы с аномалиями, но это позволяет выцепить только 20% проблем и сделать соответствующие воздействия на систему. Остальные 80% — это по-прежнему зона для улучшений. Когнитивное обнаружение аномалий — это шаг в сторону этих 80%.
—---—
Тут я должен сделать некоторое отступление от пересказа. Первое: кажется, сам термин "cognitive anomaly detection" — это изобретение то ли IBM, то ли Progress. Во всяком случае, именно они появляются первыми в поиске по этой фразе. Второе, я посмотрел, что именно они имеют в виду и в чем отличие от того же "predictive maintenance".

Добавка слова "cognitive" означает, что мы пытаемся выйти в зону "когда процесс поломки начинается" или "появились первые сигналы от сенсоров", и это происходит еще до того, как классическая модель получает *достаточно* данных от сенсоров для этого. Чтобы продвинуться в эту зону, нужно переходить на мета-обучение (по сравнению с классическим подходом построения и обучения предиктивной модели).
Подробнее:
1. Cм. запись вебинара - https://www.youtube.com/watch?v=AwLXCeOjj1c, с 34 минуты.
2. См. статью на эту тему (и картинки в ней) https://www.thedigitaltransformationpeople.com/channels/enabling-technologies/how-industrial-iot-is-influenced-by-cognitive-anomaly-detection/