Диагностика (искусственный интеллект) - Diagnosis (artificial intelligence)

Как подполе в искусственный интеллект, Диагностика занимается разработкой алгоритмов и методов, которые могут определить 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 она сталкивается. Расчет основан на наблюдения, которые предоставляют информацию о текущем поведении.

Выражение диагноз также относится к ответу на вопрос, неисправна система или нет, и к процессу вычисления ответа. Это слово пришло 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 диагноз экспертная система ) 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). Машинное обучение затем используются методы для обобщения примеров.

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.
В сложность обучения. 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 может потребоваться огромный объем памяти.
Отсутствие надежность. 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 диагност для диагностики дискретные системы 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 является примером похищающие рассуждения используя модель 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 ${ Displaystyle Ab ,}$ это Abнормальный предикат):

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

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

Семантика этих формул следующая: если поведение системы не является ненормальным (т.е.если оно нормальное), то внутреннее (ненаблюдаемое) поведение будет ${ Displaystyle Int1 ,}$ и наблюдаемое поведение ${ displaystyle Obs1 ,}$ . В противном случае внутреннее поведение будет ${ Displaystyle Int2 ,}$ и наблюдаемое поведение ${ displaystyle Obs2 ,}$ . Учитывая наблюдения ${ displaystyle Obs ,}$ , проблема состоит в том, чтобы определить, нормально ли работает система ( ${ Displaystyle neg Ab (S) ,}$ или же ${ Displaystyle Ab (S) ,}$ ). Это пример похищающие рассуждения.

Возможность диагностики

Система называется диагностируемый если независимо от поведения системы, мы сможем без двусмысленности определить уникальный диагноз.

Проблема диагностируемости очень важна при разработке 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 модели. Сан-Франциско, Калифорния, США: Morgan Kaufmann Publishers Inc. ISBN 1-55860-249-6.

Смотрите также

внешняя ссылка

DX семинары

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

Эпистемология