Bästa möjliga data från givare i avloppsreningsprocesser
Notice bibliographique
Résumé
Utvecklingen med instrumentering på avloppsreningsverk har revolutionerat möjligheterna för processövervakning och reglering. Effektiv dataöverföring och kraftigt reducerade kostnader för datalagring har inneburit att reningsverk i dag förfogar över stora mängder data - eran med Big data har nått VA-branschen. Samtidigt har de senaste årens utveckling inom AI och maskininlärning gjort det möjligt att utvinna värdefull information ur dessa stora datamängder. Men trots digitaliseringens möjligheter så krävs både förmågan att hantera stora datamängder och tillräcklig datakvalitet för att fullt ut nyttiggöra AI och datadriven automatisering på ett effektivt och framgångsrikt sätt. Dokumentering och lagring av metadata, exempelvis karakterisering av datakvaliteten, är ofta en bristvara. Det leder till att stora delar av insamlade data riskerar att gå till spillo eftersom de med tiden blir svårare och svårare att tolka och därmed snabbt blir utdaterade. Den krassa verkligheten är att datadrivna beslutsstöd med AI och maskininlärning aldrig kommer att realiseras om reningsverkets organisation saknar kunskap och förmåga att hantera de fyra V som Big data innebär: datamängd (Volume), hastighet (Velocity), variation (Variability) samt noggrannhet och tillförlitlighet (Veracity). Rapporten Bästa Möjliga Data från Givare i Avloppsreningsprocesser är en svensk översättning av den engelska rapporten Metadata Collection and Organization in Wastewater Treatment and Wastewater Resource Recovery Systems. Rapporten är en guide till att hantera dagens datatekniska utmaningar och syftar till att beskriva vad metadata innebär och hur de rent praktiskt kan användas för att nyttiggöra reningsverksdata. Rapporten ger råd om hur metadata bör samlas in, tolkas, struktureras och lagras utifrån befintliga standarder och de krav som datadrivna algoritmer ställer på data. Den är en bra utgångspunkt för läsare som vill förbättra sina datahanteringsrutiner och förstå hur de kan utveckla metoder för datadrivna beslutsstöd. Den riktar sig till en bred målgrupp såsom instrumenttekniker, driftpersonal, driftchefer och allmänt dataintresserade personer på reningsverk. The English edition of this book is available here: https://iwaponline.com/ebooks/book/922/Metadata-Collection-and-Organization-in-Wastewater ISBN: 9781789065107(eBook) ISBN: 9781789065114 (ePub)
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 | 0,010 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,015 | 0,022 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,052 |
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 ».