Pilotissa vertailtiin aluksi eri tapoja ja algoritmeja, joita voidaan käyttää arvioimaan ominaisuuksien tärkeyttä kohdemuuttujien ennustamisessa. Datasettinä käytettiin sellutehtaan automaatiojärjestelmästä peräisin olevaa reaaliaikaista prosessidataa, jossa kohdemuuttujana oli sellun valkaisuaste. Pearsonin- ja Spearmanin korrelaatiot ovat yleisesti käytettyjä tekniikoita ominaisuuden valinnassa tilastoista. Jokainen rivi prosessidataa sisältää valkaisusuhteen arvon ja 82 parametria, jotka vaikuttavat tähän suhteeseen enemmän tai vähemmän. Nämä parametrit on jaettu 5 eri viiveluokkaan valkaisuprosessin kulun ja viiveiden mukaisesti.
![](https://ealytelli.fi/wp-content/uploads/2021/12/image-1-1024x598.png)
Pilotin lopuksi opetettiin TensoFlow:n avulla ennustemalli ja testattiin automaattista ennustamista Azuren Machine Learning palvelun avulla.
![](https://ealytelli.fi/wp-content/uploads/2021/12/image-2-1024x470.png)