Praktisk dataanalys med hjälp av lärande system

Bakgrund

I de flesta industriella sammanhang blir dataanalys ("data mining", sökandet efter och analyserandet av strukturer och samband i data) ett allt viktigare begrepp. Med ett ökande antal mätutrustningar, sensorer och datoriserade registreringar samlas stora mängder data in; data som man sedan har behov av att analysera eller göra förutsägelser från. Det kan till exempel handla om att förutsäga resultatet av en kemisk process utifrån mätningar av yttre eller inre omständigheter, att sortera ut viktiga från oviktiga signaler i ett system, eller att utifrån olika signaler karakterisera en viss situation. Trots uppenbara skillnader i det man önskar mäta gör likheter i analysmetoderna att det inom ett stort antal olika industrier finns ett behov av likartade verktyg för avancerad analys av stora datamängder.

Syfte

Det finns idag en mängd olika metoder för dataanalys som bygger på tekniker från ett antal forskningsområden inom lärande system, exempelvis artificiella neuronnät, icke-linjära multivariata statistiska modeller och induktiv logik. Detta projekt syftar till att sprida dessa metoder till industrin samt att ge insikter om olika metoders styrkor och svagheter genom att tillämpa dessa för att lösa ett antal konkreta problem från de deltagande industrierna. För att kunna göra en bedömning av dessa metoders kvaliteter kommer även där lämpligt en jämförelse med i industrin mer etablerade metoder att göras.

Övergripande mål

Ett primärt mål är att till industrin överföra kunnande om lärande system, samt att påvisa dessa systems styrka och etablera dem som ett användbart alternativ för dataanalys. Genom att tillämpa metoderna på ett antal konkreta problemdomäner kommer forskningen också att kunna tillgodogöra sig värdefulla erfarenheter av metoderna som inte kan fås enbart i laboratoremiljö. Projektet förväntas möjliggöra praktisk användning av lärande system inom främst de områden som de medverkande industrierna representerar. Användningen av metoderna på flera skilda typer av problem förväntas också ge insikter som kan återföras och användas till att öka metodernas effektivitet inom samtliga problemområden. Utvecklingen inom dataanalysområdet går snabbt. Det finns därför ett stort behov av att sprida de nya metoderna till industrin. Metoderna i fråga behöver också anpassas i verkliga industrimiljöer innan de är helt mogna för exploatering, samtidigt som industrin genom samarbetet lättare kan inspirera nya ideer i forskningen. Stora vinster finns att göra redan i att bättre utnyttja de data som idag samlas in. Den formliga explosion i antalet sensorer och regsitreringssytem som pågår kommer att göra en avancerad och automatiserad analys än mer kritisk för industrin. Bättre utnyttjande av resurser som bandbredd, råvaror, energi eller produktionkapacitet innebär en betydande potential för vår industris konkurrenskraft. Genom att med de metoder som föreslås söka samband mellan parametrarna i en process kan ofta en tillräckligt god modell skapas för att förbättra regleringen och planeringen. De linjära multivariata metoder som normalt används i industrin vid dataanalys idag fungerar ofta bra som lokala modeller. Modellverktyg som hanterar varierande variabelbeskrivningar, olinjära och diskontinuerliga variabler/samband, och vilka är mer globala till sin natur än linjära modeller är starkt efterfrågade och kan utgöra såväl ett komplement till befintliga angreppssätt som att ge nya infallsvinklar på processer och samband som är av betydelse för industrin. Ett resultat av att använda dataanalysmetoder är ofta också en ökad förståelse för det system man mäter på. Man får ofta en god inblick i vilka variabler som påverkar varandra och metoderna kan därigenom leda till att bättre system utvecklas. En effektiv visualisering av analyserad information är också viktigt för maximalt utnytjande av data.

Angreppssätt

Projektet är baserat på att analysera ett antal konkreta problemställningar från de deltagande parterna. Varje problemställning attackeras med ett antal olika lösningsmetoder. Genom att generalisera egenskaper hos de olika problemställningarna, samt hos de olika lösningsmetoderna, förväntas man kunna dra generella slutsatser om styrkorna och svagheterna med olika metoder till olika typer av problem. Nedan följer en sammanfattning av de konkreta problem som de ingående industrierna önskar lösa.

Att hitta förklaringar till och prognoser för reklamerinran, som funktion av reklaminsatser i olika medier.
Genom s.k. "tracking" följer och analyserar man effekterna av olika annonsörers mediainvesteringar. Syftet är att ekonomisera annonsörernas mediainsatser genom att söka kunskap om vilka effekter kanpanjens storlek, timing och mediastrategi har på det egna varumärket. Specifika uppgifter är bland annat: att jämföra effekter av olika medier samt av olika kombinationer av medier, att se vilken kvardröjande effekt olika medier har, och att hitta förklaringar till ovanligt hög eller låg erinran vissa perioder.
Att särskilja äkta proteinuttryck från brus på 2D-elektrofores-geler, samt att hitta samband mellan dessa uttryck och biologisk aktivitet.
Viktigt inom läkemedelsindustrin är att finna samband mellan kemiska data, i termer av fysikaliskt kemiska eller strukturkemiska egenskaper, och biologisk aktivitet. Ett mål är till exempel att finna kvantitativa samband mellan olika biologiska förändringar i en cell, och dess proteinuttryck. Proteinutrycket kan studeras med s.k. 2D-elektrofores, från vilken man sen vill hitta samband med den biologiska aktiviteten.
Att hitta samband mellan upplösningsprofil och fysikal-kemiska egenskaper hos tabletter.
En viktig del vid läkemedelsutvecklingen är att studera hur den aktiva substansen i läkemedelsberedningen (ex tablett) löser ut sig i mag/tarm-kanalen. Detta sker i en sk frisättningsbad som simulerar förhållandena i mag/tarm kanalen. Mängden frisatt substans mäts vid givna tider och ger en upplösningsprofil. Olika fysikal-kemiska egenskaper i tabletten avgör den erhållna utlösningsprofilen, och målet är att hitta dessa samband.
Att förklara och förutsäga avvattningen hos pappersmassa.
Att ha kontroll på avvattningen har en avgörande inverkan på både produktion och kvalitet vid papperstillverkning. Vid prediktering är 30-60 minuter ett lämpligt perspektiv, för att resultaten ska kunna nyttjas i presumtiva åtgärder av en operatör. Denna uppgift kan också vara en del i att avgöra optimal hastighet hos pappersbanan.
Att hitta optimal hastighet på en pappersbana, givet rådande betingelser hos pappersmassan och banan.
Att öka hastigheten hos pappersbanan är ett av de viktigaste medlen för att öka produktiviteten vid papperstillverkning. Exempel på faktorer som begränsar hastigheten kan vara process och maskinkonstruktion, driftsdata, eller status på insats-material. Idag sker en bedömning av lämplig max-hastighet av driftspersonalen, men målet är att få ett automatiskt svar som kan vara rådgivande för operatören att maximera produktionen.
Att övervaka och effektivisera processen vid väteperoxidtillverkning.
Vid väteperoxidtillverkning används en hjälplösning som först tar upp väte, och sen överlämnar detta till syret. Därefter extraheras den färdiga väteperoxiden från hjälplösningen, som cyklas tillbaka till första steget. Denna process ändrar karaktär allteftersom hjälplösningen åldras, yttertemperaturen ändras, eller nya kemikalier tillsätts. Genom att analysera ett stort antal mätvärden från processen vill man kunna detektera plötsliga förändringar som kan indikera möjliga driftsstörningar. Man vill också med hjälp av mätvärdena kunna reglera processen för att minimera driftskostnaderna.
Att förutsäga fysikaliska egenskaper hos gjutjärn.
Svalningskurvan från ett gjutjärnsprov innehåller karakteristisk information om gjutjärnets sammansättning och fysikaliska egenskaper. Från uppmätta svalningskurvor vill man kunna förutsäga det färdiga järnets egenskaper, som t.ex. grafitform, cellstorlek, brinellhårdhet, och draghållfasthet. Dessa prediktioner kan sen användas för att optimera smälttillsatser.
Att förutsäga fördröjningar och förluster av datapaket i IP-nät, med hjälp av icke-intrusiva mätningar.
Målet här är att beskriva och förutsäga fördröjningar och förluster av datapaket i IP-nät, bland annat för att nätoperatörerna skall kunna sälja en viss given kapacitet med en viss given kvalitet. Syftet med ett lärande system är att kunna ersätta svåra, dyra och störande mätningar med approximationer baserade på enklare och billigare mätningar.
Att kategorisera och predicera dynamiskt beteende i teletrafik.
Det finns flera olika saker man vill göra inom detta område. En sak är att mäta stora trafikströmmar av aggregerad trafik, t ex in och ut ur telenätet, för att förstå och kunna prediktera dynamiskt beteende i nätet. En annan sak är att mäta på nya typer av accessformer, t.ex. online-bredband eller gruppaccess, för att förstå dynamik och användarbeteenden.

Några generella problemställningar som återkommer inom flera av de konkreta uppgifterna, och som projektet kommer att fokusera på att lösa är:

Tidsserieanalys och prediktion.
Ett återkommande tema i uppgifterna är hantering av tidsserier. Detta kommer in dels som ren prediktion av den följande serien, men även frågeställningar som har med detektion av episoder, periodiska förlopp, eller plötsliga förändringar i en sekvens är viktiga.
Hitta samband mellan stora mängder variabler.
Flera av uppgifterna involverar många variabler, av blandade typer. Därför behövs effektiva metoder för att hitta även svaga samband i högdimensionella rymder, och för att hitta relationer och mönster mellan attribut i kraftigt heterogena datamängder.
Uppskatta säkerheten i förutsägelserna.
En kritisk komponent i samtliga uppgifter är att kunna skilja relevanta samband och beroenden från rent brus. Det är också ofta viktigt att få ett mått på osäkerheten hos prediktionen, som t.ex. ett konfidensintervall.

Exempel på de metoder för vilka kompetens finns inom projektet är:

Artificiella neuronnät, av olika typer, bland annat flerlagersperceptroner, rekurrenta MLP-nätverk, och Bayesianska neuronnät.
Statistiska modeller, baserade på Bayesians statistik, finita blandningar ("mixture models"), och grafiska modeller ("probabilistic graphical models").
Genetiska algoritmer.
Matematisk modellering och osäkerhetsanalys.
Induktiv Logik-programmering, som t.ex beslutsträd.
Olika hybrider av de ovanstående.

Deltagare

Deltagande industrier:

AstraZeneca AB
Eka Chemicals AB
Ericsson Radio Systems AB, Switchlab
Nordisk Media Analys
NovaCast AB
Svenska Cellulosa Aktiebolaget (SCA)
Telia AB, Nättjänster

Deltagande universitet och institut:

Swedish Institute of Computer Science (SICS)
Högskolan i Halmstad (HIH)
Högskolan i Skövde (HIS)
Stockholms Universitet (SU), DSV
Mitthögskolan

Björn Levin (blevin@sics.se) January 30th, 2002.