CLASSIFYING ELEMENTS AND PREDICTING PROPERTIES IN AN INFRASTRUCTURE MODEL THROUGH PROTOTYPE NETWORKS AND WEAKLY SUPERVISED LEARNING

In example embodiments, a software service may employ a neural network to learn a non-linear mapping that transforms element features into embeddings. The neural network may be trained to distribute the embeddings in multi-dimensional embedding space, such that distance between the embeddings is meaningful to the class or category classification, or property prediction, task at hand. The neural network may be trained using weakly supervised machine learning, using weakly labeled infrastructure models. Embeddings for groups may be used to determine prototypes. Elements of an infrastructure model may be classified into classes or categories, or their properties predicted, as the case may be, by finding a nearest prototype. Selon l'invention, dans des modes de réalisation décrits à titre d'exemple, un service logiciel pouvant employer un réseau neuronal pour apprendre une application non linéaire qui transforme des attributs d'éléments en plongements. Le réseau neuronal peut être entraîné pour distribuer les plongements dans un espace multidimensionnel de plongements, de telle façon qu'une distance entre les plongements soit signifiante pour la tâche de classification de classes ou de catégories, ou de prédiction de propriétés, considérée. Le réseau neuronal peut être entraîné à l'aide d'un apprentissage automatique faiblement supervisé, en utilisant des modèles d'infrastructure faiblement étiquetés. Des plongements pour des groupes peuvent être utilisés pour déterminer des prototypes. Des éléments d'un modèle d'infrastructure peuvent être classifiés en classes ou catégories, ou leurs propriétés peuvent être prédites, suivant le cas, en trouvant un prototype le plus proche.