cu-valley-hack-2022

Inferencja

1. Przygotowanie repozytorium:
   1. Sklonuj to repozytorium
      git clone https://github.com/jkarolczak/cu-valley-hack-2022-slag-temperature.git
   2. Przejdź do sklonowanego repozytorium
      cd cu-valley-hack-2022-slag-temperature
2. Przygotuj środowisko wykonawcze:
   1. Utwórz środowisko przy użyciu menedźera Conda uruchamiając polecenie
      conda env create -f environment.yml
   2. Aktywuj utworzone środowisko wykonując polecenie
      conda activate cu-valley-slag
3. Przygotowanie danych:
   1. Skopiuj archiwum zawierające dane do przeprowadzenia inferencji do repozytorium
      mv <path-to-archive.zip> data.zip
4. Przeprowadzenie inferencji:
   1. Uruchom polecenie
      python scripts/inference_pipeline.py --archive <archive-name.zip>
      Jeśli archiwum z danymi nazywa się data.zip, argument --archive może zostać pominięty, gdyż data.zip jest jego domyślną wartością. W takim przypadku wystarczy uruchomić polecenie
      python scripts/inference_pipeline.py
      
   2. Wyniki inferencji znajdują się w pliku predictions.csv, który znajduje się w katalogu, w którym obecnie się znajdujesz.

Panel kontrolny

Aby uruchomić panel kontrolny należy wykonać następujące polecenie:

streamlit run app.py

Działające demo znajduje się na stronie miedziaki.tech Przygotowany mockup imituje panel kontrolny operatora pieca zawiesinowego w KGHM Hucie Miedzi “Głogów II”. Obraz w mockupie zmienia się co pięć sekund, podczas gdy w działającym systemie działoby się to co minutę. pokazuje jak w prosty sposób nasze rozwiązanie może zostać zintegrowane z już istniejącymi oraz wdrożonymi systemami. Dzięki takiej integracji operatorzy powinni łatwo zaadaptować nowe informacje. Prezentacja czynników wpływających na predykcję zwraca uwagę operatora na istotne zmiany parametrów procesowych. Co za tym idzie ryzyko błędu ludzkiego jest znacząco redukowane.

Trenowanie modelu oraz eksperymentowanie

W celu trenowania modelu oraz eksperymentowania (porównywania modeli, optymalizacji hiperparametrów itp.), w katalogu scripts zostały przygotowane następujące skypty:

• parse_data.py - skrypt parsujący dane wejściowe, agregujący je dla odpowieniego okna czasu przy użyciu różnych statystyk oraz zapisujący przygotowane dane do pliku
• variable_selection.py - skrypt ograniczający liczbę zmiennych w pliku do tych uprzednio zdefiniowanych
• data_split.py - skrypt dzielący zbiór danych na zbiory testowy, treningowy oraz holdout
• train_model.py - skrypt tworzący oraz trenujący nowy model
• infer_model.py - skrypt służący ewaluacji modelu
• inference_pipeline.py - skrypt służący przygotowaniu predykcji w sposób kompleksowy, przygotowany na potrzeby ewaluacji modelu przez organizatorów hackathonu. Więcej infomracji dostępncyh jest w sekcji powyżej (Inferencja).

Wszystkie skrypty są konfigurowane plikami konfiguracyjnymi, które znajdują się w katalogu resources/cfg. Takie rozwiazanie umożliwia orkiestrację całego procesu eksperymentowania oraz ułatwia proces tworzenia modelu przez użytkownika.

Analiza danych

Proces analizy oraz jego rezultaty znajdują się pliku analysis.ipynb