Budowa struktury modelu grafowego

Usługi doradcze w zakresie działalności gospodarczej, w tym usługi badawcze i eksperymentalno-rozwojowe

Tryb zamówienia	Zapytanie ofertowe
Rodzaj zamówienia	Usługi
Tytuł	Budowa struktury modelu grafowego
Zamawiający	Dostępne dla zalogowanych
Miejsce realizacji	Polska
Data publikacji	2024-04-23
Data składania ofert	30/04/2024, Godzina 23:59
Dokumenty do pobrania	Dostępne dla zalogowanych
Kod CPV	731000003 Usługi badawcze i eksperymentalno-rozwojowe
Numer przetargu	5387569

<div>
    <h1>[ENE-SMART/02-23] Budowa struktury modelu grafowego na drodze technik eksploracji danych i wykorzystania algorytmów AI innych niż genetyczne.</h1>

<h2>Załączniki</h2>
    <ul>
            <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1444450">Zapytanie ofertowe (PDF)</a></li>
            <li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1444451">Formularz oferty (WYMAGANY!)</a></li>
        </ul>
    
    <h2>Części zamówienia</h2>

<h3>Budowa struktury modelu grafowego </h3>
        <strong>Przedmioty zamówienia</strong>
                    <p>Zagadnienie badawcze: Budowa modelu grafowego na drodze technik eksploracji danych i wykorzystania algorytmów SI.<br />
<br />
Wprowadzenie:<br />
W ostatnich latach nieustannie rośnie rola analizy dużych zbiorów danych procesowych. Z drugiej strony odczuwalny jest brak algorytmów i narzędzi pozwalających na automatyczne pozyskiwanie wiedzy o relacjach pomiędzy zmiennymi opisującymi proces. Wiedza taka może być zapisywana, na przykład, w postaci grafu przyczynowo-skutkowego stanowiącego model jakościowy procesu. Tego typu model jakościowy jest dogodnym punktem startowych do projektowania struktury cząstkowych modeli procesu, analizy przebiegu i stanu procesu przez ekspertów, czy projektowania i konfigurowania zaawansowanych algorytmów monitorowania i diagnostyki.<br />
<br />
Stąd też można zaobserwować dynamiczny rozwój algorytmów wyszukiwania zależności przyczynowych na podstawie danych. <br />
Jednak publikowane prace koncentrują się zwykle na rozwiązywaniu znanych ograniczeń algorytmów oraz poprawie wyników uzyskiwanych dla benchmarków. Do znanych problemów istniejących metod należą: trudności z obsługą łącznie zmiennych ciągłych i dyskretnych, trudności numeryczne w przypadku występowania zmiennych współliniowych oraz problem występowania zmiennych ukrytych. Dodatkowo, większość standardowych metod zakłada reprezentację zależności przyczynowych w postaci skierowanego grafu acyklicznego (DAG). Tymczasem, w procesach przemysłowych kluczową rolę odgrywają układy regulacji oparte na pętlach sprzężenia zwrotnego, a archiwizowane dane opisują działanie procesu przy uruchomionych układach sterowania. Wprowadza to dodatkową trudność i specyfikę modelowania danych przemysłowych oraz konieczność modyfikacji istniejących bądź opracowania<br />
nowych rozwiązań. Pojawiające się nowe algorytmy nie zostały wystarczająco zbadane w przypadku zastosowań do modelowania złożonych procesów przemysłowych.<br />
<br />
Zadanie badawcze:<br />
• znalezieniu sposobu zastosowania proponowanych algorytmów z grupy technik eksploracji danych i wykorzystania algorytmów sztucznej inteligencji (AI) do budowy modelu jakościowego procesu w postaci grafu procesu umożliwiającego efektywne przetwarzanie dużych zbiorów danych archiwalnych z rzeczywistych, złożonych procesów przemysłowych;<br />
• zaprojektowaniu koniecznych modyfikacji wybranych algorytmów pozwalających na skuteczne zastosowanie w aplikacji przemysłowej oraz przygotowanie ich prototypowej implementacji do badań;<br />
• przeprowadzeniu badań wybranych algorytmów przy wykorzystaniu danych z symulatora kotła sodowego oraz wstępnych badań przy wykorzystaniu rzeczywistych danych z archiwum systemu sterowania rzeczywistego procesu.<br />
<br />
Opis prac:<br />
W pierwszym kroku należy zbadać możliwości wykorzystania różnych technik odtwarzania struktury grafu modelującego na poziomie jakościowych zależności pomiędzy zmiennymi procesowymi, które odpowiadają rzeczywistym zależnościom występującym w procesie, wynikającym z zależności fizykalnych oraz działających układów regulacji wprowadzających informacyjne sprzężenia zwrotne w obiekcie. Rozważyć należy algorytmy pozwalające na bezpośrednie odtworzenie struktury grafu na podstawie analizy obszernych zbiorów danych archiwalnych, pomijając algorytmy oparte o losowe poszukiwanie struktury grafu. <br />
<br />
Wymagane jest sprawdzenie metod wykorzystujących analizę korelacyjną, oraz rozważenie algorytmów pozwalających na wyznaczenie kierunku odtwarzanych zależności w postaci prostych grafów skierowanych.<br />
<br />
Podczas analizy porównawczej algorytmów, w szczególności należy wziąć pod uwagę:<br />
• możliwość integracji/wykorzystania dostępnej a priori wiedzy eksperckiej (zwykle bardzo niekompletnej). Zadaniem realizującego pracę będzie zaproponowanie metody zapisu takiej wiedzy;<br />
• możliwość uwzględnienia różnego rodzaju ograniczeń wynikających z fizyki obiektu i mających wpływ na strukturę grafu, w tym oddziaływania układów regulacji (często o wiadomej strukturze);<br />
• możliwość pracy z rzeczywistymi danymi pomiarowymi,<br />
• ewentualna możliwość oszacowania charakteru zależności pomiędzy wielkościami opisującymi (kierunek zmian, czy oszacowania ilościowe, np. w postaci wzmocnienia i stałej czasowej).<br />
<br />
Istotnym elementem jest możliwość wykorzystania dostępnej a priori wiedzy o zależnościach pomiędzy wielkościami opisującymi proces. Wiedza taka może pochodzić od ekspertów (na podstawie wiedzy o występujących zjawiskach fizykalnych oraz budowie i zasadach działania komponentów technologicznych) lub wynikać z ograniczeń technologicznych, dostępnych modeli cząstkowych lub działających struktur obwodów regulacji.<br />
Z tego powodu należy opracować, a następnie przebadać w fazie implementacji i testów algorytmów, metody zapisu wiedzy a priori w strukturze grafu oraz dodatkowo nakładanych ograniczeń. Poszukiwane i rozważane algorytmy powinny być w stanie skorzystać z tego typu wiedzy wstępnej, prowadząc proces rozbudowy i uściślania modelu (a nie tylko jego budowy od zera), przy jednoczesnym przestrzeganiu nałożonych ograniczeń.<br />
Szczególną uwagę należy zwrócić na dodatkowe cechy badanych algorytmów. Niektóre z nich mogą pozwolić na bardziej dokładny opis zidentyfikowanych zależności, np. wyznaczenie kierunku indukowanych zmian, czy nawet ilościowego oszacowania charakteru zależności, np. w postaci określonej transmitancji. Tego typu dodatkowa wiedza o identyfikowanych zależnościach nie powinna zostać utracona, gdyż może być bardzo istotna w późniejszym etapie wykorzystania zbudowanego modelu grafowego. <br />
<br />
Dodatkowo, tego typu zależności mogą charakteryzować nie tylko połączenia w grafie (zależność pomiędzy dwoma wielkościami), ale także przetwarzanie sygnałów w węzłach, np. poprzez określenie szacowanego rzędu autoregresji, preferowanego typu modelu (liniowy / rozmyty / neuronowy), czy nawet opisu zależności w postaci transmitancyjnej. Zapis takiej wiedzy może być także wykorzystany do generowania z otrzymanego grafu struktury różnych modeli cząstkowych, w celu ich późniejszej identyfikacji.<br />
<br />
Dlatego też należy przeprowadzić badania nad rozszerzeniem opisu modelu grafowego pozwalającym na uwzględnienie wskazanych zależności wykraczających poza prosty związek przyczynowo-skutkowy.<br />
Ostatecznie, do prototypowania i zbadania przy wykorzystaniu danych symulacyjnych przekazanych przez zamawiającego wybrane zostaną 2 najbardziej obiecujące techniki. Wybór należy potwierdzić z zamawiającym, zakładając, iż preferowane będzie wykorzystanie co najmniej jednego algorytmu bazującego na analizie korelacyjnej, oraz drugiego, rokującego uzyskanie najlepszych wyników w oparciu o badania z pierwszej fazy zamówienia. Oczekiwane będą rozwiązania z obszaru metod uczenia maszynowego oraz sztucznej inteligencji. W kolejnym kroku należy wykonać badania wybranych algorytmów, których celem będzie analiza<br />
opracowanych algorytmów, określenia właściwości funkcjonalnych algorytmów, oraz wytypowanie najlepszego rozwiązania.<br />
<br />
Należy przygotować prototypowe implementacje dopasowane do TRL4 w środowiskach testowych, np. w środowisku R i/lub przy wykorzystaniu języka Python.<br />
Następnie należy przeprowadzić badania przy wykorzystaniu odpowiednio przygotowanych danych archiwalnych wygenerowanych przy wykorzystaniu dostarczonego przez zamawiającego symulatora obiektu – kotła sodowego, dla którego dostarczony zostanie także wzorcowy model jakościowy w postaci grafu skierowanego. Wzorcowy graf procesu wykorzystany będzie do oceny jakości grafów generowanych przy wykorzystaniu badanych algorytmów. <br />
<br />
Do oceny wykorzystać należy, między innymi,<br />
dwa wskaźniki:<br />
• dokładność, wyznaczana jako stosunek prawidłowo wykrytych gałęzi grafu do wszystkich wykrytych gałęzi,<br />
• czułością, wyznaczana jako stosunek prawidłowo wykrytych gałęzi do wszystkich gałęzi grafu<br />
wzorcowego).<br />
<br />
W ramach tego zadania należy wykonać także wstępne badania, przy wykorzystaniu danych archiwalnych z pracy rzeczywistego obiektu. W tym przypadku wzorcowy graf procesu nie będzie znany. Dlatego ocena wyników tych badań będzie musiała mieć charakter bardziej jakościowy. Należy ocenić właściwości algorytmu związane z przetwarzaniem dużych zbiorów danych rzeczywistych ze złożonych procesów, podczas których występują takie problemy jak: znaczące szumy pomiarowe, wpływ niemierzalnych zakłóceń procesowych, występowanie sprzężeń zwrotnych w wyniku działania złożonych układów regulacji, okresowa niedostępność sygnałów pomiarowych czy błędy transmisji oraz niska wiarygodność pomiarów. Wykorzystanie rzeczywistych danych pozwoli także na wypracowanie bardziej uogólnionych wniosków co do złożoności obliczeniowej algorytmu oraz oszacowania spodziewanego czasu potrzebnego na uzyskanie modelu w postaci grafu procesu.<br />
<br />
Ostatecznie, na podstawie analizy wyniki przeprowadzonych badań oraz wiedzy o strukturze wewnętrznej algorytmów, sformułowane zostaną wytyczne co do wyboru oraz sposobu ewentualnej implementacji jednego z algorytmów.<br />
<br />
Oczekiwane rezultaty:<br />
Opracowanie metodologii oraz algorytmów pozyskiwania modelu grafowego przy wykorzystaniu metod analizy dużych zbiorów danych i/lub sztucznej inteligencji. Wyniki prac mają zostać przekazane w formie raportu i kodu źródłowego.<br />
<br />
Ocena skuteczność opracowanej metodologii i algorytmów:<br />
Uzyskany na drodze automatycznej identyfikacji dla danych symulowanych z symulatora model ma mieć czułość (stosunek prawidłowo wykrytych gałęzi do wszystkich gałęzi) co najmniej 0.9 oraz precyzję (stosunek prawidłowo wykrytych gałęzi do wszystkich wykrytych gałęzi) wynoszącą co najmniej 0.8, przy czasie obliczeń nie dłuższym niż 48 h na maszynie obliczeniowej o 16 rdzeniach i 64 GB RAM i karcie graficznej o wydajności odpowiadającej nVidia RTX A5000 (tj . karcie nVidia RTX A5000 lub równoważnej).</p>

<h2>Kryteria oceny</h2>
                <p>•	Cena netto 100%.<br />
<br />
Cena netto powinna być całkowitą opłatą za realizację wszystkich etapów opisanych w niniejszym zapytaniu.<br />
<br />
Punktacja dla kryterium – maksymalnie 100 punktów.<br />
Najtańsza oferta otrzymuje maksimum punktów w danej kategorii a kolejna proporcjonalnie mniej (szczegóły w załączniku)</p>
            
        <h2>Warunki zmiany umowy</h2>

<p>1.	Zamawiający przewiduje możliwość zmiany umowy, w przypadku, gdy nastąpi zmiana powszechnie obowiązujących przepisów prawa w zakresie mającym wpływ na realizację przedmiotu umowy.<br />
2.	Zamawiający przewiduje możliwość zmiany umowy, w przypadku zaistnienia okoliczności spowodowanych czynnikami zewnętrznymi, nieprzewidywalnymi na etapie postępowania i niezależnymi od którejkolwiek ze stron np. działania sił przyrody (np. powodzie, trzęsienia ziemi, pożary lasów, epidemie), działania zbiorowości ludzkich (np. działania zbrojne, strajki, wojny) oraz działania władz publicznych (np. ograniczenia eksportowe i importowe).<br />
3.	Zamawiający przewiduje możliwość zmiany harmonogramu lub terminu realizacji umowy, które wynikać będą z postanowień umowy Zamawiającego z Instytucją Finansującą, jeśli umowa ta została zawarta lub zmieniona aneksem po udzieleniu zamówienia. W szczególności Zamawiający dopuszcza zmianę terminu realizacji zamówienia w przypadku opóźnienia ogłoszenia wyników naboru nr 2 Ścieżka SMART. <br />
4.	Na etapie realizacji przedmiotu zamówienia Zamawiający dopuszcza dokonanie zmian, za zgodą obu stron, w zakresie zmiany ekspertów/podwykonawców ze strony Wykonawcy zaangażowanych do świadczenia usług, pod warunkiem, że ich wiedza i doświadczenie będą adekwatne do zakresu usług.<br />
5.	Zamawiający dopuszcza zmianę Wykonawcy, któremu udzielił zamówienia jeśli w wyniku połączenia, podziału, przekształcenia, upadłości, restrukturyzacji lub nabycia dotychczasowego wykonawcy lub jego przedsiębiorstwa, o ile nowy Wykonawca spełnia warunki udziału w postępowaniu, nie zachodzą wobec niego podstawy wykluczenia oraz nie pociąga to za sobą innych istotnych zmian umowy.</p>
    </div>