भविष्य कहनेवाला मृत्यु दर और विसंगति का पता लगाने वाले मॉडल

भविष्य कहनेवाला मृत्यु दर मॉडल ऐतिहासिक जल गुणवत्ता, भोजन और मृत्यु दर डेटा का उपयोग करके उन बैचों या प्रणालियों को चिह्नित करते हैं जिनमें दृश्यमान मृत्यु शुरू होने से पहले निकट भविष्य में मृत्यु दर का अधिक जोखिम होता है। यह आमतौर पर यह सीखकर किया जाता है कि किन स्थितियों के संयोजन, जैसे एक विशिष्ट घुलित ऑक्सीजन प्रक्षेपवक्र, भोजन दर में गिरावट, या तापमान में उतार-चढ़ाव, ने ऐतिहासिक रूप से उस फार्म के अपने पिछले डेटा में मृत्यु दर में वृद्धि की थी, बजाय इसके कि एक निश्चित सीमा पर निर्भर रहा जाए जो यह अनदेखा करती है कि स्थितियाँ कैसे बदल रही हैं या परस्पर क्रिया कर रही हैं। विसंगति का पता लगाना एक संबंधित लेकिन विशिष्ट तकनीक है: यह एक विशिष्ट ज्ञात जोखिम पैटर्न की भविष्यवाणी करने के बजाय, यह चिह्नित करता है कि वर्तमान रीडिंग एक प्रणाली की अपनी स्थापित सामान्य सीमा से असामान्य रूप से कब विचलित होती हैं, उन समस्याओं को पकड़ती हैं जिन्हें एक नियम-आधारित थ्रेशोल्ड सिस्टम को कभी भी स्पष्ट रूप से खोजने के लिए कॉन्फ़िगर नहीं किया गया था, जैसे कि एक असामान्य भोजन-कैमरा प्रतिक्रिया पैटर्न जो मृत्यु दर बढ़ने से कई दिन पहले एक बीमारी के प्रकोप से पहले होता है। मॉडल की गुणवत्ता पूरी तरह से सीखने के लिए पर्याप्त स्वच्छ, अच्छी तरह से टैग किए गए ऐतिहासिक मृत्यु दर और मूल-कारण डेटा पर निर्भर करती है, यही कारण है कि एक फार्म की डेटा पाइपलाइन में पहले लगातार मृत्यु दर घटना लॉगिंग और टैगिंग अनुशासन सीधे यह निर्धारित करता है कि बाद में निर्मित भविष्य कहनेवाला सुविधाएँ वास्तव में काम करती हैं या अविश्वसनीय, कम-आत्मविश्वास वाले अलर्ट उत्पन्न करती हैं जिन्हें कर्मचारी अनदेखा करना सीख जाते हैं। जिम्मेदारी से तैनात किए जाने पर, इन मॉडलों को अनुभवी कर्मचारियों के लिए जांच करने हेतु एक प्रारंभिक चेतावनी निर्णय सहायता के रूप में तैयार किया जाता है, न कि एक स्वायत्त निदान के रूप में, क्योंकि यदि मॉडल के आत्मविश्वास स्तर को उसके अलर्ट के साथ ईमानदारी से संप्रेषित नहीं किया जाता है तो गलत सकारात्मक और गलत नकारात्मक दोनों ही वास्तविक परिचालन लागत वहन करते हैं।