Análise de Sentimentos Baseada em Aspectos para Detecção de Eventos Severos em Plataforma Off-Shore de O&G Equipada com Computação de Borda Móvel (MEC)
- Dificuldade de entendimento de um evento severo por parte de operadores da companhia que estão on-shore na base de operações
- Classificação errada de um evento por parte do operador off-shore ocasionando em lentidão de ação responsiva ou uso de recurso em excesso em um evento erroneamente rotulado como severo
- Latência e ou erros de comunicação dos eventos em plataformas equipadas com links convencionais de baixa velocidade
- Necessidade de sincronização sistêmica ou proximidade com a base de operações on-shore para carregamento/descarregamento completo de informações
- Impossibilidade de fazer recomendações de ações em eventos em uma plataforma desconectada ou com baixa velocidade de conexão de dados
- Eventos severos podem impactar reputações de marcas e ou valores de mercados caso os dados sejam expostos em nuvem pública
- Treinamentos do algoritmo em nuvem publica podem se tornar custosos tanto em termos de valores a pagar a um provedor de nuvem quanto de tempo de comunicação
- Desenvolver um modelo de arquitetura de sistema que permita que companhias de O&G possam aprimorar o desempenho e a segurança de operações off-shore através de Inteligência Artificial
- Viabilizar uma aplicação sustentada por uma MEC que permita, em tempo real, que o operador através da própria descrição inserida no evento, conheça o melhor rótulo a se classificar o evento.
- Permitir que classificações locais do algoritmo, possam ser replicadas para a núvem privada e ou para núvem pública (com criptografia) para enriquecimento da tarefa de treinamento da aplicação em conjunto com outras instâncias do sistema de recomendação em operação em outras plataformas.
- Certificar de qual método é o mais recomendado para inferencias e classificações textuais considerando uma computação de borda móvel com recursos limitados de processamento e armazenamento.
- Capacidade de inferir localmente no dispostivo móvel (pre-trained data) a severidade do evento sendo criado em caso de queda de conexão ou falha de comunicação com a MEC.
-
H. Sankar1 V. Subramaniyaswamy1 V. Vijayakumar2 Sangaiah Arun Kumar3 R. Logesh1 A. Umamakeswari1 (Intelligent sentiment analysis approach using edge computing-based deep learning technique, 2018)
- Uso de aspectos da linguagem não foi considerado.
- Somente considerou CNN
- Somente utilizou avaliações de filmes nos algoritmos, limitando o alcance da aplicação
-
Tausif Diwan1 & Jitendra V. Tembhurne1 (Sentiment analysis: a convolutional neural networks perspective, 2021)
- CNN foi utilizada principalmente como extratora de caracteristicas e não como classificadora.
- Acurácia do modelo fica comprometida ao desconsiderar o sentido léxico de palavras.
- Transfêrencia de dados pré-treinados entre domínios diferentes
-
Ilir Murturi, Cosmin Avasalcai, Christos Tsigkanos and Schahram Dustdar (Edge-to-Edge Resource Discovery using Metadata Replication, 2019)
- Número de nós necessários para formar vizinhos em uma rede de borda e comprovar a replicação
- Número de requisições concorrentes para replicação
- Influencia do tamanho do meta-dado a ser replicado ficou em aberto
- Roteamento entre nós foi ignorado
-
Dafuallah Esameldien Dafaallah, Ahmad Sobri Hashim (Awareness at Oil and Gas Platforms Using Machine Learning, 2020)
- Baixa acurácia em todos os modelos testados
- Não considerou aspectos da linguagem
- Não considerou CNN
- Dados sobre O&G não foram utilizados, não comprovando aderência ao negócio proposto
-
Ambreen Nazir , Yuan Rao, Lianwei Wu , and Ling Sun (Issues and Challenges of Aspect-based Sentiment Analysis: A Comprehensive Survey, 2022)
- Transferencia entre domínios diferentes implica baixa acurácia. (ex, dados de avaliações de hotel sendo usados para avaliar restaurantes) No entanto, sub-domínios podem ser avaliados. (Dados de operações on-shore sendo aproveitados para operações off-shore)
- Aprendizado multimodal: textos, com videos e ou imagens para enriquecimento da recomendação. Os trabalhos avaliados ignoram a prática.
- Sumarização de aspectos centrada em entidades pode ser especialmente interessante no idioma portugues devido a depencia e interpretação baseada no contexto.
-
Lele Ma Shanhe Yi Qun Li (Efficient Service Handoff Across Edge Servers via Docker Container Migration, 2017)
- Não considera o uso de MEC
- Segurança na transferência de containers não foi considerada
- Somente considerou WiFi para migração e transferência dos containers