Диагностика (искусственный интеллект) - Diagnosis (artificial intelligence)

Как подполе искусственного интеллекта , диагностика занимается разработкой алгоритмов и методов, которые могут определять правильность поведения системы. Если система работает некорректно, алгоритм должен быть в состоянии максимально точно определить, какая часть системы выходит из строя и с каким типом неисправности сталкивается. Вычисления основаны на наблюдениях , которые предоставляют информацию о текущем поведении.

Выражение « диагностика» также относится к ответу на вопрос, неисправна система или нет, и к процессу вычисления ответа. Это слово происходит из медицинского контекста, где диагноз - это процесс выявления болезни по ее симптомам.

пример

Примером диагностики является процесс работы автомеханика с автомобилем. Сначала механик попытается обнаружить любое ненормальное поведение на основе наблюдений за автомобилем и своих знаний об этом типе транспортного средства. Если он обнаружит, что поведение ненормальное, механик попытается уточнить свой диагноз, используя новые наблюдения и, возможно, проверяя систему, пока не обнаружит неисправный компонент; механик играет важную роль в диагностике автомобиля.

Экспертная диагностика

Экспертный диагноз (или диагностика экспертной системой ) основан на опыте работы с системой. Используя этот опыт, строится карта, которая эффективно связывает наблюдения с соответствующими диагнозами.

Опыт может быть предоставлен:

Человек-оператор. В этом случае человеческие знания должны быть переведены на компьютерный язык.
На примерах поведения системы. В этом случае примеры должны быть классифицированы как правильные или неисправные (а в последнем случае - по типу неисправности). Затем для обобщения примеров используются методы машинного обучения .

Основными недостатками этих методов являются:

Сложность приобретения экспертизы. Опыт обычно доступен только после длительного периода использования системы (или аналогичных систем). Таким образом, эти методы не подходят для систем безопасности или критически важных систем (таких как атомная электростанция или робот, работающий в космосе). Более того, никогда нельзя гарантировать полноту полученных экспертных знаний. Если происходит ранее невидимое поведение, ведущее к неожиданному наблюдению, невозможно поставить диагноз.
Сложность в обучении. Автономный процесс построения экспертной системы может потребовать большого количества времени и компьютерной памяти.
Размер итоговой экспертной системы. Поскольку экспертная система направлена на сопоставление любого наблюдения с диагнозом, в некоторых случаях для нее потребуется огромный объем памяти.
Недостаток прочности . Если в систему вносятся даже небольшие изменения, процесс построения экспертной системы необходимо повторить.

Немного другой подход - построить экспертную систему на основе модели системы, а не непосредственно на основе опыта. Примером может служить вычисление диагностического прибора для диагностики дискретных систем событий . Этот подход можно рассматривать как основанный на модели, но он имеет некоторые преимущества и страдает некоторыми недостатками подхода экспертных систем.

Диагностика на основе модели

Диагностика на основе модели - это пример абдуктивного мышления с использованием модели системы. В целом это работает следующим образом:

У нас есть модель, описывающая поведение системы (или артефакта). Модель представляет собой абстракцию поведения системы и может быть неполной. В частности, неправильное поведение обычно малоизвестно, и поэтому ошибочная модель может не быть представлена. Учитывая наблюдения за системой, система диагностики моделирует систему, используя модель, и сравнивает фактически сделанные наблюдения с наблюдениями, предсказанными симуляцией.

Моделирование можно упростить с помощью следующих правил (где - нормальный предикат Ab ): ${\ Displaystyle Ab \,}$

${\ Displaystyle \ neg Ab (S) \ Rightarrow Int1 \ клин Obs1}$

${\ Displaystyle Ab (S) \ Rightarrow Int2 \ wedge Obs2}$ (модель неисправности)

Семантика этих формул следующая: если поведение системы не является ненормальным (т. Е. Если оно нормальное), то внутреннее (ненаблюдаемое) поведение будет и наблюдаемым . В противном случае внутреннее поведение будет и наблюдаемым . Учитывая наблюдения , проблема состоит в том, чтобы определить, является ли поведение системы нормальным или нет ( или ). Это пример абдуктивного мышления . ${\ Displaystyle Int1 \,}$ ${\ displaystyle Obs1 \,}$ ${\ Displaystyle Int2 \,}$ ${\ displaystyle Obs2 \,}$ ${\ displaystyle Obs \,}$ ${\ Displaystyle \ neg Ab (S) \,}$ ${\ Displaystyle Ab (S) \,}$

Возможность диагностики

Система считается диагностируемой, если независимо от поведения системы мы сможем без двусмысленности определить уникальный диагноз.

Проблема диагностируемости очень важна при проектировании системы, потому что, с одной стороны, можно захотеть уменьшить количество датчиков, чтобы снизить стоимость, а с другой стороны, можно захотеть увеличить количество датчиков, чтобы увеличить вероятность обнаружения неправильное поведение.

Существует несколько алгоритмов решения этих проблем. Один класс алгоритмов отвечает на вопрос, можно ли диагностировать систему; другой класс ищет наборы датчиков, которые делают систему диагностируемой и, возможно, соответствуют таким критериям, как оптимизация затрат.

Возможность диагностирования системы обычно вычисляется на основе модели системы. В приложениях, использующих диагностику на основе моделей, такая модель уже присутствует, и ее не нужно строить с нуля.

Библиография

Hamscher, W .; L. Консоль; Дж. Де Клер (1992). Показания в диагностике на основе моделей . Сан-Франциско, Калифорния, США: ISBN Morgan Kaufmann Publishers Inc. 1-55860-249-6 .

Смотрите также

внешние ссылки

DX семинары

DX - это ежегодный международный семинар по принципам диагностики, который начался в 1989 году.

Эпистемология

Languages

In other projects