Readiness Integration Center (RIC)
Notice bibliographique
Résumé
The Naval Air System Command (NAVAIR) Naval Aviation Enterprise (NAE) Automated Logistics Environment (ALE) is applying Big Data Analytics and Cloud Computing Technology to support critical elements of Condition Based Maintenance Plus (CBM+) and Reliability Centered Maintenance (RCM) for NAVAIR platforms. The Comprehensive Automated Maintenance Environment -- Optimized (CAMEO) Readiness Integration Center (RIC) ALE capability focus is on the V-22 platform with an implementation strategy to apply Collaborative, Agile, Open Source, Big Data Analytics, and Cloud Technology to Collect, Connect, Warehouse, Analyze, and Act to improve platform readiness. The RIC is leveraging NAVAIR NAE ALE capability to Collect, Connect, and Warehouse critical Platform data. NAE collaboration with V-22, E2D, and Triton automated data extracts to support Platform analytic and decision support tool use and development. The RIC sponsors V-22 collaborative, agile, open source development using big data analytics and cloud technology to support the V-22 Readiness Steering Committee and Readiness Teams. The RIC actively supports Agile methodology for analytic and decision support tool development. The RIC use of Open Source tenants includes protections for intellectual property and licensing for use. The RIC development environment is consistent with Big Data and Cloud Technology computing and the RIC infrastructure and selected toolsets have completed proof of concept implementation in the Cloud. The focus of this paper is to describe a "day in the life of Big Data Analytics" from data recording and collection through RIC analytics and use by in service support engineering to effect corrective action.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,092 | 0,051 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».