Как подполе в искусственном интеллекте , 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 она сталкивается. Вычисления основаны на наблюдениях , которые предоставляют информацию о текущем поведении.
Выражение « диагностика» также относится к ответу на вопрос, является ли система неисправной или нет, и к процессу вычисления ответа. Это слово пришло из медицинского контекста, где диагноз - это процесс идентификации болезни по ее симптомам.
Пример [ править ]
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 ненормально, механик попытается уточнить свой диагноз, используя новые наблюдения и, возможно, проверяя систему, пока он не обнаружит неисправный компонент; механик играет важную роль в диагностике автомобиля.
Экспертная диагностика [ править ]
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 огромное пространство для хранения.
- Отсутствие надежности . Если в систему вносятся даже небольшие изменения, процесс построения экспертной системы необходимо повторить.
Несколько иной 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 [ править ]
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 ):
(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 .
Возможность диагностики [ править ]
Система называется диагностируемой, если независимо от ее поведения 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 повысить вероятность обнаружения неисправности. 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 при необходимости соответствуют таким критериям, как оптимизация затрат.
Диагностируемость 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 [ править ]
- Hamscher, W .; L. Консоль; Дж. Де Клер (1992). Показания в модельной диагностике . Сан-Франциско, Калифорния, США: ISBN Morgan Kaufmann Publishers Inc. 1-55860-249-6.
См. Также [ править ]
- Искусственный интеллект в здравоохранении
- Эффект ИИ
- Приложения искусственного интеллекта
- Список новых технологий
- Схема искусственного интеллекта
Внешние ссылки [ править ]
Мастерские DX [ править ]
DX - это ежегодный международный семинар по принципам диагностики, который начался в 1989 году.
- DX 2014
- DX 2013
- DX 2012
- DX 2011
- DX 2010
- DX 2009 г.
- DX 2008
- DX 2007
- DX 2006
- DX 2005
- DX 2004
- DX 2003
- DX 2002
- DX 2001
- DX 2000
- DX 1999
- DX 1998
- DX 1997
Эпистемология
Для этой статьи нужны дополнительные или более конкретные категории . ( Июнь 2020 г. ) |
