接下来，我们将在数据中寻找预示即将发生组件故障但专家尚未知晓的模式和征兆。当然，也有可能存在一些过于微妙或复杂以至于专家无法察觉的早期预警信号。例如，早期预警信号可能由多个不同传感器同时读取的数据组合而成，而人类很难发现。如果拥有足够的历史数据，就可以使用机器学习技术创建一个系统，该系统能够自学哪些因素（组合）可以预测即将发生的问题。这类技术的例子包括随机森林和神经网络。由于故障预测器的第二个版本应该能够预测与最初的基于专家的系统相同（甚至更多）的故障，因此很容易确定它的附加值。同时，专家可以使用机器学习的结果来尝试解释这些预测并学习如何改进网络。
开源软件
该系统原型最好用 Python 实现，Python 是目前机器学习领域 卢森堡电话数据 最常用的编程语言。Python 提供了许多强大的数据科学库，例如scikit-learn、pandas和StatsModels。对于特定应用，我们经常使用 Google 的TensorFlow。
所有这些工具都是开源的，可以免费使用。因此，FailurePredictor 的所有版本都将免费提供给所有领域专家和网络管理员。任何想要尝试改进它的人，无论是在企业、学术界还是在家，都可以进行进一步的开发。这样，网络管理员就可以开展开放式创新，而无需为繁琐的长期许可证而烦恼。
我们相信，这样的预警系统对于网络管理员来说将是一笔宝贵的财富，他们能够更快、更有效地应对网络中发生的任何事情，从而减少损失和相关成本。
让电网变得智能
未来，智能算法不仅能预测即将发生的故障，还能提出应对措施。随着算法的价值得到验证并获得操作员的信任，它们可能会向现场工程师发送通知，或者在某些时候自行执行控制操作。
未来很可能是一个数据驱动的未来。理想情况下，网络管理员只需在极端天气或主要数据流故障等特殊情况下采取行动。为了确保人类在这种情况下仍然能够控制网络，需要仔细考虑机器学习在网络架构中的布局。