Das Office of Rail and Road (ORR) ist die britische nationale Eisenbahnregulierungsbehörde und verantwortlich für Gesundheit und Sicherheit auf Hauptstrecken, der Londoner U-Bahn, Stadtbahnen und Straßenbahnen.
Das ORR verfügt über eine große Menge strukturierter Datenfeeds in einem standardisierten Format mit Standort, Datum und Wert, die Zugleistung, Wetter, Wartungskosten, Hausfriedensbruch und andere Vorfälle aufzeichnen. Es gibt einen weiteren großen Datensee unstrukturierter Textdaten. Die ORR rief Software- und KI-Spezialisten dazu auf, sie bei der Analyse der im gesamten Schienennetz protokollierten Vorfalldaten mit einer benutzerfreundlichen Oberfläche wie einem Drag-and-Drop-Tool zu unterstützen.
Die Ingenieure und Analysten von ORR werden häufig mit der Erstellung von Kausalanalysen beauftragt, z
Fast Data Science - London
Ein Hindernis für diese Art der Analyse ist jedoch die Schwierigkeit, unterschiedliche und unterschiedlich strukturierte Datensätze miteinander zu verknüpfen. Das ORR verfügte über eine strukturierte Datenbank mit Variablen, die Verspätungen, Wetterdaten, Reparaturkosten, Wartung, Unfälle und andere Informationen repräsentierten. Sie verfügten über eine bestehende Power BI-Lösung, die es ihnen ermöglichte, Datensätze zu untersuchen und diese bis zu einem gewissen Grad zu verknüpfen. Es gab jedoch keine Drag-and-Drop-Lösung, die es einem technisch nicht versierten Benutzer ermöglichte, mit maschinellem Lernen und KI zu experimentieren. Hier kam Fast Data Science ins Spiel.
Das ORR stellte den Bedarf an einer grafischen Benutzeroberfläche fest, die es technisch nicht versierten Beteiligten ermöglichen würde, Muster und Beziehungen innerhalb der Daten der Organisation zu erkunden, was über das hinausgeht, was mit der standardmäßigen Power BI-Einrichtung möglich wäre.
Wir haben ein In-Browser-Drag-and-Drop-Tool entwickelt, mit dem Benutzer Datensätze grafisch erkunden und miteinander verknüpfen können. So können wir Modelle für maschinelles Lernen erstellen, die in der Lage sind, Auswirkungen wie überschwemmungsbedingte Verzögerungen als Funktion von Überschwemmungen und für die Entwässerung ausgegebenen Geldern vorherzusagen . Wir haben es Benutzern auch ermöglicht, die Verarbeitung natürlicher Sprache (NLP) zu nutzen, um Schlüsselphrasen und Themen zu finden, die in bestimmten Regionen des Landes oder zu bestimmten Zeiten häufig vorkommen.
Unsere GUI war eine Premiere im ORR, da sie es hochrangigen Interessenvertretern ermöglichte, mithilfe einer einfachen und leicht verständlichen grafischen Oberfläche mit maschinellem Lernen zu experimentieren, und es dem ORR ermöglichte, Ideen über das zukünftige Potenzial des maschinellen Lernens im Schienenverkehr zu entwickeln Verordnung.
Mit unserem Tool war es nun auch einem Nicht-Datenwissenschaftler in der Organisation möglich, Datensätze per Drag-and-Drop in die Benutzeroberfläche zu ziehen, um Zugverspätungen als Funktion des Wetters vorherzusagen und ausgehende Reparaturen durchzuführen. Die Benutzeroberfläche bot Benutzern die Möglichkeit zwischen linearer Regression und Zufallsstrukturmodellen.
Dadurch konnte ein Benutzer Fragen simulieren wie:
What we can do for you
