Diagnóstico (inteligencia artificial) - Enciclopedia
Como subárea de la inteligencia artificial, el diagnóstico se centra en el desarrollo de algoritmos y técnicas que permiten determinar si el comportamiento de un sistema es correcto. Si el sistema no funciona correctamente, el algoritmo debe poder determinar, tan exactamente como sea posible, qué parte del sistema está fallando y qué tipo de fallo está enfrentando. La computación se basa en observaciones, que proporcionan información sobre el comportamiento actual del sistema.
La expresión "diagnóstico" también se refiere a la respuesta a la pregunta de si el sistema está malfuncionando o no, y al proceso de calcular la respuesta. Esta palabra proviene del contexto médico, donde un diagnóstico es el proceso de identificar una enfermedad por sus síntomas.
Ejemplo
Un ejemplo de diagnóstico es el proceso de un mecánico de taller con un automóvil. El mecánico primero intentará detectar cualquier comportamiento anormal basado en las observaciones del coche y su conocimiento de este tipo de vehículo. Si descubre que el comportamiento es anormal, el mecánico intentará refinar su diagnóstico utilizando nuevas observaciones y posiblemente probando el sistema, hasta que descubra el componente defectuoso; el mecánico juega un papel importante en el diagnóstico del vehículo.
Diagnóstico experto
El diagnóstico experto (o diagnóstico por sistema experto) se basa en la experiencia con el sistema. Utilizando esta experiencia, se construye un mapeo que asocia eficientemente las observaciones con los diagnósticos correspondientes.
La experiencia puede ser proporcionada:
Por un operador humano. En este caso, el conocimiento humano debe ser traducido a un lenguaje de computadora.
Por ejemplos del comportamiento del sistema. En este caso, los ejemplos deben clasificarse como correctos o defectuosos (y, en el último caso, por el tipo de fallo). Luego se utilizan métodos de aprendizaje automático para generalizar a partir de los ejemplos.
Las principales desventajas de estos métodos son:
La dificultad para obtener la experiencia. Generalmente, la experiencia solo está disponible después de un largo período de uso del sistema (o sistemas similares). Por lo tanto, estos métodos no son adecuados para sistemas críticos de seguridad o misión (como una central nuclear o un robot operando en el espacio). Además, el conocimiento experto adquirido nunca puede garantizarse como completo. En caso de que ocurra un comportamiento nunca antes visto que conduzca a una observación inesperada, es imposible realizar un diagnóstico.
La complejidad del aprendizaje. El proceso de línea de base para construir un sistema experto puede requerir una gran cantidad de tiempo y memoria de computadora.
El tamaño del sistema experto final. Como el sistema experto tiene como objetivo mapear cualquier observación a un diagnóstico, en algunos casos requiere una gran cantidad de espacio de almacenamiento.
La falta de robustez. Si se realiza incluso una pequeña modificación en el sistema, debe repetirse el proceso de construcción del sistema experto.
Un enfoque ligeramente diferente es construir un sistema experto a partir de un modelo del sistema en lugar de directamente desde una experiencia. Un ejemplo es el cálculo de un diagnóstico para el diagnóstico de sistemas de eventos discretos. Este enfoque puede considerarse basado en el modelo, pero ofrece ciertas ventajas y sufre algunas desventajas del enfoque de sistema experto.
Diagnóstico basado en modelo
El diagnóstico basado en modelo es un ejemplo de razonamiento abductivo utilizando un modelo del sistema. En general, funciona de la siguiente manera:
Tenemos un modelo que describe el comportamiento del sistema (o artefacto). El modelo es una abstracción del comportamiento del sistema y puede ser incompleto. En particular, el comportamiento defectuoso es generalmente poco conocido, y el modelo defectuoso puede no estar representado. Dadas las observaciones del sistema, el sistema de diagnóstico simula el sistema utilizando el modelo y compara las observaciones realmente realizadas con las observaciones predichas por la simulación.
La modelización puede simplificarse mediante las siguientes reglas (donde A b (S) es el predicado Anormal):
¬A b (S) ⇒ I n t1 ∧ O b s1
A b (S) ⇒ I n t2 ∧ O b s2
(falla del modelo)
La semántica de estas fórmulas es la siguiente: si el comportamiento del sistema no es anormal (es decir, si es normal), entonces el comportamiento interno (inobservable) será I n t1 y el comportamiento observable O b s1. De lo contrario, el comportamiento interno será I n t2 y el comportamiento observable O b s2. Dadas las observaciones O b s, el problema es determinar si el comportamiento del sistema es normal o no (¬A b (S) o A b (S)). Esto es un ejemplo de razonamiento abductivo.
Diagnosabilidad
Se dice que un sistema es diagnosable si, sin importar el comportamiento del sistema, podremos determinar sin ambigüedad un diagnóstico único.
El problema de diagnosabilidad es muy importante al diseñar un sistema, ya que por un lado se puede querer reducir el número de sensores para reducir el costo, y por otro lado se puede querer aumentar el número de sensores para aumentar la probabilidad de detectar un comportamiento defectuoso.
Existen varios algoritmos para manejar estos problemas. Una clase de algoritmos responde a la pregunta de si un sistema es diagnosable; otra clase busca conjuntos de sensores que hagan al sistema diagnosable y, opcionalmente, cumplan con criterios como la optimización de costo.
La diagnosabilidad de un sistema generalmente se calcula a partir del modelo del sistema. En aplicaciones que utilizan diagnóstico basado en modelo, tal modelo ya está presente y no es necesario construirlo desde cero.
Bibliografía
Hamscher, W.; L. Console; J. de Kleer (1992). Lecturas en diagnóstico basado en modelo. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc. ISBN 1-55860-249-6.
Ver también
Inteligencia artificial en salud
Efecto IA
Aplicaciones de inteligencia artificial
Epistemología
Lista de tecnologías emergentes
Estructura de inteligencia artificial
Enlaces externos
= Talleres DX =
DX es el taller anual Internacional sobre Principios de Diagnóstico que comenzó en 1989.
DX 2016
DX 2015
DX 2014
DX 2013
DX 2012 [Archivado el 24 de mayo de 2015 en el Wayback Machine]
DX 2011
DX 2010
DX 2009 [Archivado el 22 de octubre de 2008 en el Wayback Machine]
DX 2008 [Archivado el 8 de septiembre de 2008 en el Wayback Machine]
DX 2007
DX 2006
DX 2005
DX 2004
DX 2003
DX 2002
DX 2001
DX 2000 [Archivado el 13 de septiembre de 2006 en el Wayback Machine]
DX 1999
DX 1998
DX 1997