ivdon3@bk.ru
Изменение внешних условий, параметров функционирования объектов, взаимосвязей между элементами системы и связей системы с надсистемой приводит к снижению точности результатов моделей искусственного интеллекта, которое называется деградацией моделей. Снижение риска деградации моделей актуально для задач электроэнергетики, особенностью которых является многофакторные зависимости в сложных технических системах и влияние метеорологических параметров. Автоматическое обновление моделей с течением времени является необходимым условием формирования доверия пользователей к интеллектуальным системам прогнозирования. В данной статье представлена классификация видов дрейфа данных. Формализованы варианты решений, которые разработчикам необходимо принять при создании интеллектуальных систем для определения стратегии обновления прогнозных моделей, включая критерии запуска обновления, выбор моделей, оптимизацию гиперпараметров, выбор способа обновления и формирования наборов данных. Предложен алгоритм формирования стратегии автоматического обновления моделей искусственного интеллекта и даны практические рекомендации для разработчиков моделей в задачах прогнозирования временных рядов в электроэнергетике.
Ключевые слова: прогнозирование временных рядов, искусственный интеллект, машинное обучение, доверенная система искусственного интеллекта, деградация моделей, дрейф данных, дрейф концепции
1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации