Panasonic Avionics совместно с AWS и AWS Generative AI Innovation Center создала агентную ИИ-систему для диагностики неполадок в системах IFEC. Как сообщает AWS Machine Learning Blog, решение работает на базе Amazon Bedrock, Amazon SageMaker и AWS Glue. Оно сокращает время диагностики с нескольких часов до нескольких минут, сохраняя точность.
Компания получает эксплуатационные данные от крупного глобального парка, обслуживающего сотни авиакомпаний и миллиарды пассажиров ежегодно. Конфигурации развертывания различаются, поэтому инженерам приходилось вручную сопоставлять журналы, метрики и данные тикетов. При этом для каждого варианта формировались собственные шаблоны журналов.
В основе архитектуры лежит многоагентный рабочий процесс с тремя отдельными слоями обработки данных. Один из компонентов анализирует ключевые показатели эффективности и метрики ухудшения работы сервисов, выявляя аномалии. Авторы проекта стремились улучшить MTTD и MTTR без снижения глубины диагностики, а также сократить объем повторяющихся расследований для инженеров.
Ключевые факты
Системы IFEC компании обслуживают сотни авиакомпаний и миллиарды пассажиров ежегодно.
Решение использует Amazon Bedrock, Amazon SageMaker и AWS Glue.
Многоагентный рабочий процесс обрабатывает данные в трех отдельных слоях.
Один из компонентов выявляет аномалии по ключевым показателям эффективности и метрикам ухудшения работы сервисов.
Вопросы и ответы
- Кого именно касается решение?
Инженеров Panasonic Avionics, которые диагностируют системы IFEC в глобальном парке с индивидуальными конфигурациями для сотен авиакомпаний и миллиардов пассажиров ежегодно.
- Как устроена диагностика?
Многоагентный процесс обрабатывает данные в трех отдельных слоях, используя Amazon Bedrock, Amazon SageMaker и AWS Glue. Один из компонентов выявляет аномалии по KPI и метрикам ухудшения работы сервисов.
- Что меняется для инженерной команды на практике?
Система сопоставляет журналы, метрики и данные тикетов, которые раньше инженеры анализировали вручную для каждой конфигурации. Цель проекта состоит в улучшении MTTD и MTTR без снижения глубины диагностики и сокращении повторяющихся расследований.