Reconhecimento distribuído de padrões em dados de séries temporais

De uma planta de fabricação a uma plataforma de lançamento de foguetes, até uma unidade de terapia intensiva de um hospital, matrizes de sensores estão produzindo grandes volumes de informações sobre sistemas críticos. Esses ambientes exigem análise de dados para reduzir e resumir as informações. Frequentemente, as pessoas realizam a análise de dados e grandes quantidades de dados exigem legiões de pessoas. Especificações de engenharia podem ser relativamente difíceis de monitorar e verificar automaticamente ao examinar dados de sensores ruidosos. O reconhecimento de padrões oferece uma camada de abstração necessária entre os dados brutos e a tomada de decisões, oferecendo uma capacidade diagnóstica e de solução de problemas que é relativamente fácil de desenvolver e aplicar. Por outro lado, poderia-se empregar modelos matemáticos para verificar se os dados parecem corretos. No entanto, em sistemas reais, tais modelos podem ser muito complexos e não lineares, um modelo pode levar muito tempo e dinheiro para ser desenvolvido ou exigir um nível de entendimento que não existe. Essa tecnologia ainda requer que alguém com conhecimento do padrão se sente e o descreva em detalhes. É concebível que tais sistemas, como padrões, incluam uma ferramenta para construir automaticamente os modelos em casos limitados, olhando para um conjunto de exemplos de treinamento, eliminando a necessidade do especialista humano, mas, neste momento, isso ainda é um problema de pesquisa.