Тут присутствует экспертная система, наполняемая экспертами, база знаний и система поддержки

низация хранилища данных – так на‑ зываемых Data Lake («озеро данных»), Data Warehouse («склад данных»). Для максимально быстрой обработки этих данных принято использовать допол‑ нительные серверные технологии, такие как обработка данных в опера‑ тивной памяти, хранение в «горячих» и «холодных» хранилищах данных и пр. Слой «Анализ» отвечает за пред‑ варительную аналитику и отчетность по данным первичного уровня. На этом уровне выявляются аномалии, выполняется ретроспективный и пер‑ спективный анализ. Именно здесь начинают применяться инструменты интеллектуального анализа данных и предиктивной аналитики. Тут уже можно получать достоверный прогноз о поведении агрегатов и технологичес‑ ких процессов. Но такая система еще не «умная» сама по себе. Ей необходим «наставник», или база данных. Следующий (на самом деле, в на‑ стоящих реалиях он верхний) слой, «Рекомендации», представляет собой уровень системы поддержки приня‑ тия решений, на основе полученных из системы предиктивной аналитики данных. Тут присутствует экспертная система, наполняемая экспертами, база знаний и система поддержки принятия решений. Этот слой суще‑ ственно упрощает взаимодействие пользователя с системой, отдаляя его компетенции от предметно-эк‑ спертного уровня, но давая все-таки только рекомендации к действию. Ну и заключительный слой на самой вершине пирамиды – «Действие» – обозначает систему, отвечающую за самостоятельное принятие решений. Технологии и системы развивают‑ ся, и мне кажется, что пройдет сов‑ сем немного времени и коллеги из ИТ-сферы реализуют такую систему в промышленном производстве. За счет чего же система предик‑ тивного анализа себя оправдывает и окупает? Давайте рассмотрим пример. В случае применения практики пла‑ ново‑предупредительных ремонтов (ППР) сервисные службы завода или реагируют вхолостую, когда обору‑ дованию еще ничто не угрожает, или принимают меры тогда, когда всё уже фактически сломалось. Более «продвину