Створення нових технологій та їх впровадження в різні сфери зумовило потребу оброблення та зберігання великих обсягів даних. В промислових системах модернізація означає використання великої кількості розумних пристроїв, що виконують спеціалізовані функції, а зібрані дані використовують для управління системою та автоматизації виробничих процесів. В роботі визначено основні характеристики розумних промислових систем. Проаналізовано концепцію Промислового Інтернету речей (англ. Industrial Internet of Things, IIoT) та актуальність проблеми модернізації висобництва. Досліджено проблеми оброблення великих даних в системах Промислового Інтернету речей. Розглянуто використання рекомендаційних систем для швидкого знаходження взаємозв'язків між користувачами та послугами виробництва. Проаналізовано використання алгоритмів матричної факторизації SVD (англ. Singular-Value Decomposition) та FunkSVD для оброблення розріджених матриць даних. Проведено моделювання роботи запропонованих алгоритмів і визначено переваги FunkSVD для роботи з розрідженими даними. Встановлено, що алгоритм FunkSVD опрацьовує дані за меншу тривалість часу, ніж SVD, але це не впливає на точність результату. З'ясовано, що SVD також є складнішим у реалізації та вимагає більше обчислювальних ресурсів. Удосконалено алгоритм FunkSVD для покращення ефективності оброблення великих масивів інформації так, що використовують менше даних для формування рекомендацій. Встановлено, що модифікований метод працює швидше за звичайний, проте зберігає високу точність обчислень, що є важливим для роботи в рекомендаційних системах. Виявлено можливість надавати рекомендації користувачам промислових систем за коротший поміжок часу, в такий спосіб покращуючи їх актуальність. Запропоновано продовжувати досліження для знаходження оптимальних параметрів алгоритму FunkSVD.
[1] Birul, K. (2016). A novel latent factor model for recommender system," in JISTEM - Journal of Information Systems and Technology Management, 13(3), 497-514.
https://doi.org/10.4301/S1807-17752016000300008
[2] Christou, I. T., Kefalakis, N., Zalonis, A., & Soldatos, J. (2020). Predictive and Explainable Machine Learning for Industrial Internet of Things Applications, 16th International Conference on Distributed Computing in Sensor Systems (DCOSS), 213-218.
https://doi.org/10.1109/DCOSS49796.2020.00043
[3] El Handri, K., & Idrissi, A. (2021). Parallelization of Topk Algorithm Through a New Hybrid Recommendation System for Big Data in Spark Cloud Computing Framework, IEEE Systems Journal, 5(4), 4876-4886.
https://doi.org/10.1109/JSYST.2020.3019368
[4] Gao, H., Qin, X., Barroso, R. J. D., Hussain, W., Xu, Y., & Yin, Y. (2022). Collaborative Learning-Based Industrial IoT API Recommendation for Software-Defined Devices: The Implicit Knowledge Discovery Perspective, IEEE Transactions on Emerging Topics in Computational Intelligence, 6(1), 66–76.
https://doi.org/10.1109/TETCI.2020.3023155
[5] Guo, S., & Li, C. (2020). Hybrid Recommendation Algorithm based on User Behavior, IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), 2242-2246.
https://doi.org/10.1109/ITAIC49862.2020.9339083
[6] Han, X. (2022). Design and Implementation of Intelligent Logistics Equipment Scheduling Platform based on Internet of Things and Cloud Computing, IEEE 2nd International Conference on Electronic Technology, Communication and Information (ICETCI), 979-986.
https://doi.org/10.1109/ICETCI55101.2022.9832062
[7] Jadala, V. C., Pasupuletti, S. K., Raju, S. H., Kavitha, S. , Sai Bhaba, Ch. M H, & Sreedhar, B. (2021). Need of Intenet of Things, Industrial IoT, Industry 4.0 and Integration of Cloud for Industrial Revolution, Innovations in Power and Advanced Computing Technologies (IPACT), 1-5.
https://doi.org/10.1109/i-PACT52855.2021.9696696
[8] Kasongo, S. M. (2021). An Advanced Intrusion Detection System for IIoT Based on GA and Tree Based Algorithms, IEEE Access, 9, 113199-113212.
https://doi.org/10.1109/ACCESS.2021.3104113
[9] Lin, N., Shi, Y., Zhang, T., & Wang, X. (2019). An Effective Order-Aware Hybrid Genetic Algorithm for Capacitated Vehicle Routing Problems in Internet of Things, IEEE Access, 7, 86102-86114.
https://doi.org/10.1109/ACCESS.2019.2925831
[10] Mantravadi, S., Schnyder, R., Møller, C., & Brunoe, T. D. (2020). Securing IT/OT Links for Low Power IIoT Devices: Design Considerations for Industry 4.0, IEEE Access, 8, 200305-200321.
https://doi.org/10.1109/ACCESS.2020.3035963
[11] Petrik, D., Schönhofen, F., & Herzwurm, G. (2022). Understanding the Design of App Stores in the IIoT, IEEE/ACM International Workshop on Software-Intensive Business (IWSiB), 43-50.
[12] Qiu, Y., Zhu, X., & Lu, J. (2021). Fitness Monitoring System Based on Internet of Things and Big Data Analysis, IEEE Access, 9, 8054-8068.
https://doi.org/10.1109/ACCESS.2021.3049522
[13] Simeone, A., Zeng, Y., & Caggiano, A. (2021). Intelligent decision-making support system for manufacturing solution recommendation in a cloud framework, International Journal of Advanced Manufacturing Technology, 112.
https://doi.org/10.1007/s00170-020-06389-1
[14] Sun, F., & Li, X. (2021). Star Chart Recognition Algorithm Based on Singular Value Decomposition, IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 124-129.
https://doi.org/10.1109/IAEAC50856.2021.9391032
[15] Wang, J., Wang, K., Jia, R., & Chen, X. (2020). Research on Load Clustering Based on Singular Value Decomposition and K-means Clustering Algorithm, Asia Energy and Electrical Engineering Symposium (AEEES), 831-835.
https://doi.org/10.1109/AEEES48850.2020.9121555
[16] Zhang, P., Wang, C., Jiang, C., & Han, Z. (2021). Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT, IEEE Transactions on Industrial Informatics, 17(12), 8475-8484.
https://doi.org/10.1109/TII.2021.3064351