xmoonlight

Нет смысла привязывать теорию/алгоритмы/формулы к выдуманной проблеме.
Делается - наоборот: конкретная проблема решается с помощью наиболее оптимального алгоритма и, если там есть такие непонятные вещи, как замечательные пределы, то нужно изучать нужные разделы (с пониманием всего происходящего при решении данной конкретной задачи).

тут и тут

1. Берём нужный нам временной диапазон.
2. На нём находим экстремумы max и min для пиковых значений показателей (по вертикальной оси).
3. Делим пополам ((max-min)/2) и получаем горизонтальное осевое значение конкретно для этого показателя/графика.
4. Затем берём отрезок пересечения этой оси: из положительной зоны в отрицательную (и наоборот) и внутри этой зоны ищем max и min значения по вертикальной оси, в зависимости от направления пересечения.
5. Найденные значения укажут разделение через временной показатель.

Каждый 2-й - и будет искомой серой линией.

Как они обходят эту проблему?

А кто сказал, что гугл вообще использует нейросети? Откуда такая информация?

Нужны знания о понимании логики работы и принципах построения НС различных типов под конкретные задачи. Принцип работы нейрона и связей.
Остальное - уже вторично.

Прежде, чем браться за такую работу, да ещё и с непонятными инструментами, нужно обладать знаниями по проектированию НС. Каждая задача специфична и может решаться разными способами при проектировании НС.
Создание НС - это разработка модели посредством "чистой" математики и формул в 95% времени. И лишь 5% - кодирование алгоритма.
Без фундаментальных знаний по НС - итог предсказуем.
Надо вчера? -> фриланс.

Надо решить систему линейных уравнений и найти коэффициенты сложности технологий (возраст - здесь ни при чём):

k11*x11+...+k1N*x1N=b1
.....
kN1*xN1+...+kNN*xNN=bN,

где kNN - коэффициенты сложности технологий xNN
bN - зарплата разработчиков

Обучение - установка "весов" в узлах нейросети по заранее заданным входным и выходным параметрам.

Пример, обучения (ребёнка):
Итерация1: показываем кубик (вход) -> говорим "это кубик" (выход)
Действие НС: сравнивать пока не с чем - просто создаём узел: "кубик". (вес нейрона: 1.0)
Итерация2: показываем шарик (вход) -> говорим "это шарик" (выход)
Действие НС: сравнивается с кубиком: нейронами формируются отклонения визуального контура предмета на основе большой разницы визуальной и звуковой информации и, на основе полного несовпадения ни с какими предметами (похожесть узлов 1-го уровня), появляется новый "узел" в НС: "шарик". (вес нейрона: 1/[общее кол-во связей в пределах текущего узла]=1/2=0.5)
Итерация3: показываем параллелепипед (брусок) (вход) -> говорим "это кирпичик, как кубик, только вытянутый" (выход)
Действие НС: сравнивается с кубиком и шариком: нейронами сравниваются совокупности "весов" узлов кубика и шарика, определяется, что максимальное совпадение - это кубик, формируется разница признаков и снова появляется новая ветка от узла "кубик".

Делаем сравнение: на сколько кирпичик отличается от остальных предметов?

Допустим, результат сравнения на совпадение контурных линий и звуковой информации:
1. кирпичик vs шарик: <50%
2. кирпичик vs кубик: >=50%, (НО! СТРОГО МЕНЬШЕ 100%)
Т.е., мы видим, что кирпичик - вовсе не шарик, а больше похож на "недокубик") и в связи с этим, строим новую ветку от узла "кубик".

Было:
1-й уровень (1=100%): 0.5(шарик), 0.5(кубик).
Стало:
1-й уровень (1=100%): шарик: 0.5, кубик: 0.5
2-й уровень (0.5=100%): кирпичик: 0.5
(3-й: 0.25=100% и т.д.)
Сумма весов от любого из "узлов" 1-го уровня до любого "листа" в "дереве" - всегда равна единице!

Таким способом, мы постепенно строим дерево связей.
Вот как-то так обучение и происходит: опорные эталонные признаки (обучение), сравнение с имеющимися из "дерева" знаний и добавление нового знания в нужную ветку дерева.

Сами связи - привязываем к времени с постепенным вычитание весов узлов дерева до нуля и получаем эффект забывания (или "высвобождения" узлов = памяти), если информация периодически не обновляется. При обновлении информации - обновляем всю ветку до листа максимальным весом: "повторенье - мать ученья".

Здесь информация по рекурсивному поиску и по поисковой древовидной структуре для хранения текста.

Задача решается достаточно просто:

SOURCE: Array ( [0] => 13.1 [1] => 3 [2] => 4 [3] => 8 [4] => 17.9 [5] => 19 [6] => 23.1 [7] => 28 [8] => 33 )
------------
SORTED: Array ( [0] => 3 [1] => 4 [2] => 8 [3] => 13.1 [4] => 17.9 [5] => 19 [6] => 23.1 [7] => 28 [8] => 33 )

DISTANCE: Array ( [0] => 1 [1] => 4 [2] => 5.1 [3] => 4.8 [4] => 1.1 [5] => 4.1 [6] => 4.9 [7] => 5 )
AVERAGE DISTANCE:3.75

CLUSTERS:

Array
(
    [-] => Array
        (
            [data] => Array
                (
                    [0] => 1
                    [1] => 1.1
                )

            [max] => 1.1
            [min] => 1
        )

    [+] => Array
        (
            [data] => Array
                (
                    [0] => 4
                    [1] => 5.1
                    [2] => 4.8
                    [3] => 4.1
                    [4] => 4.9
                    [5] => 5
                )

            [max] => 5.1
            [min] => 4
        )

)

AVERAGE PERIOD POSITIVE [+]: 4.65
AVERAGE PERIOD NEGATIVE [-]: 1.05
RANGE [+]: [4.55; 5.1]

3: 0, 1, 5, 10.1, 14.9, 16, 20.1, 25, 30, => 1
4: 1, 0, 4, 9.1, 13.9, 15, 19.1, 24, 29, => 0
8: 5, 4, 0, 5.1, 9.9, 11, 15.1, 20, 25, => 2
13.1: 10.1, 9.1, 5.1, 0, 4.8, 5.9, 10, 14.9, 19.9, => 2
17.9: 14.9, 13.9, 9.9, 4.8, 0, 1.1, 5.2, 10.1, 15.1, => 1
19: 16, 15, 11, 5.9, 1.1, 0, 4.1, 9, 14, => 0
23.1: 20.1, 19.1, 15.1, 10, 5.2, 4.1, 0, 4.9, 9.9, => 1
28: 25, 24, 20, 14.9, 10.1, 9, 4.9, 0, 5, => 2
33: 30, 29, 25, 19.9, 15.1, 14, 9.9, 5, 0, => 1
------------
CHAINS:

Array
(
    [0] => 1
    [1] => 0
    [2] => 2
    [3] => 2
    [4] => 1
    [5] => 0
    [6] => 1
    [7] => 2
    [8] => 1
)

------------
RESULT:

Array
(
    [0] => 3
    [1] => 8
    [2] => 13.1
    [3] => 17.9
    [4] => 23.1
    [5] => 28
    [6] => 33
)

DISTANCE RESULT: Array ( [0] => 5 [1] => 5.1 [2] => 4.8 [3] => 5.2 [4] => 4.9 [5] => 5 )

PERIOD (average): 5

Пользователь: -Тебе нравиться Футбол?
ИИ: - Да
Пользователь: -А почему он тебе нравиться?
ИИ: -Потому что это интересный вид спорта!

Пользователь: -А почему это интересный вид спорта?
ИИ: Fatal_exception_error

Чтобы писать ИИ, нужно не синтезировать или распознавать голос, а научиться разбирать и понимать человеческую речь, сопоставлять зависимости с контекстом и уже известной информацией (из базы данных), понимать цель собеседника при общении (передача новой информации, запрос информации, оповещение о каком-либо событии) и т.д.

Меняйте входные параметры (кол-во соединений и т.д.) и фиксируйте выходные: время и кол-во ошибок - оба параметра должны стремиться к нулю.
Здесь даже НС не нужно: просто создайте тесты и выходные значения по входным запишите и выберите оптимальные.

Два варианта (выбираете любой):
1. Название в поисковик и парсинг всех категорий, в которых эта деталь найдена на других сайтах.
2. Берёте базу ПО TecDoc.

Затем, создаёте нейросеть на основе карт Кохонена и прогоняете полученные данные для создания кластеров: mechanoid.kiev.ua/neural-net-kohonen-clusterizatio...
После кластеризации всех данных - Вы получите искомое.