Mô hình dự báo tỷ lệ hao hụt và phát hiện bất thường

Mô hình dự báo tỷ lệ hao hụt sử dụng dữ liệu lịch sử về chất lượng nước, lượng thức ăn và tỷ lệ hao hụt để cảnh báo các mẻ nuôi hoặc hệ thống có nguy cơ hao hụt tăng cao trong ngắn hạn trước khi hiện tượng chết hàng loạt diễn ra rõ rệt, thường bằng cách học hỏi sự kết hợp của các điều kiện trong quá khứ — chẳng hạn như diễn biến oxy hòa tan cụ thể, sự sụt giảm tỷ lệ cho ăn, biến động nhiệt độ — từng dẫn đến các đợt tăng vọt tỷ lệ hao hụt trong dữ liệu lịch sử của chính trang trại đó, thay vì dựa vào một ngưỡng cố định đơn lẻ vốn bỏ qua xu hướng hoặc sự tương tác giữa các điều kiện. Phát hiện bất thường là một kỹ thuật liên quan nhưng riêng biệt: thay vì dự đoán một mô hình rủi ro đã biết cụ thể, nó gắn cờ cảnh báo khi các chỉ số hiện tại lệch bất thường so với phạm vi bình thường đã thiết lập của chính hệ thống, phát hiện các sự cố mà hệ thống ngưỡng dựa trên quy tắc chưa từng được cấu hình rõ ràng để tìm kiếm, chẳng hạn như mẫu phản ứng bất thường của camera quan sát cho ăn báo hiệu bùng phát dịch bệnh vài ngày trước khi tỷ lệ hao hụt thực sự tăng. Chất lượng mô hình phụ thuộc hoàn toàn vào việc có đủ dữ liệu lịch sử về hao hụt và nguyên nhân gốc rễ chuẩn xác, được gắn nhãn tốt để học hỏi, đó chính là lý do tại sao tính kỷ luật trong việc ghi chép và gắn nhãn sự cố hao hụt ở giai đoạn đầu của đường ống dữ liệu sẽ quyết định trực tiếp việc các tính năng dự báo được xây dựng sau đó có hoạt động hiệu quả hay tạo ra các cảnh báo không tin cậy khiến nhân viên dần phớt lờ. Khi được triển khai một cách có trách nhiệm, các mô hình này được coi là công cụ hỗ trợ ra quyết định cảnh báo sớm để nhân viên giàu kinh nghiệm kiểm tra, chứ không phải là chẩn đoán tự động, vì cả âm tính giả và dương tính giả đều gây ra chi phí vận hành thực tế nếu mức độ tin cậy của mô hình không được truyền đạt minh bạch cùng với cảnh báo.