机器学习在履约网络设备调试审核去重、节流与优先级排序中的应用
机器学习
2022-09-30 v1 人工智能
信息论
math.IT
摘要
VQ（供应商资质）与IOQ（安装与运行确认）审核在仓库中实施，以确保履约网络中移交的所有设备均符合质量标准。若在短时间内需执行大量检查，则审核项很可能被跳过。此外，探索性数据分析揭示了在同一资产上执行类似检查的若干实例，从而造成了重复劳动。在这项工作中，应用自然语言处理与机器学习，通过识别相似与重复项来精简一张大型仓库网络检查表数据集，并预测通过率高的非关键项。本研究提出ML分类器以识别具有高IOQ与VQ通过概率的检查项，并在无充足时间执行全部检查时对需优先执行的检查项排定优先级。本研究提出使用基于NLP的BlazingText分类器对高通过率检查表进行节流，可减少10%–37%的检查项并实现显著成本削减。所应用算法优于Random Forest与Neural Network分类器，并取得90%的曲线下面积。由于数据不平衡，下采样与上加权对模型基于F1分数的精度产生了积极影响，使其从8%提升至75%。此外，所提出的重复检测流程识别出17%可能被裁减的冗余检查项。
引用
@article{arxiv.2209.14409,
title = {Applying Machine Learning for Duplicate Detection, Throttling and Prioritization of Equipment Commissioning Audits at Fulfillment Network},
author = {Farouq Halawa and Majid Abdul and Raashid Mohammed},
journal= {arXiv preprint arXiv:2209.14409},
year = {2022}
}