GTCC Autobot

Syfte och mål

Syftet med projektet var att applicera och evaluera ML- och AI-metoder för att förbättra responstiden vid utskickning av larm från larmcentraler till väktare på fältet. Målet var att implementera dessa metoder till vår produkt GuardTools Command & Control. Resultaten från våra testkörningar var inte tillräckligt signifikativa för att gå vidare med implementation.

Resultat och förväntade effekter

Den generella slutsatsen från projektet är att det är väldigt svårt att träna reinforcement learning-agenter att bli markant bättre än den naiva policyn, speciellt om målet man har är att minimera snitt-responstiden. Däremot lyckas vi under vissa omständigheter producera agenter som är lite bättre än den naiva policyn.

Upplägg och genomförande

Projektet var uppdelat i två huvudmoment, AP1 and AP2. AP1 inkluderade databehandling och strukturering, AP2 fokuserade på metodutveckling. BMS har under många år samlat in stora mängder larmdata. AP1 säkerställer att den insamlade datan görs tillgänglig och struktureras så att FCC kan utveckla och validera de ML- och AI-metoder som kommer analyseras inom projektet. Målet med AP2 är att utvärdera och utveckla ML- och AI-metoder för att datadrivet fatta beslut angående hur resurser skall fördelas när olika typer av alarm inkommer till larmcentraler.