진단 (인공지능)

인공지능의 하위 분야로서 진단(diagnosis)은 시스템의 동작이 올바른지 여부를 판단할 수 있는 알고리즘과 기술 개발과 관련이 있다. 시스템이 올바르게 작동하지 않는 경우, 알고리즘은 시스템의 어느 부분이 실패하고 어떤 종류의 오류에 직면해 있는지 가능한 한 정확하게 판단할 수 있어야 한다. 계산은 현재 동작에 대한 정보를 제공하는 관찰을 기반으로 한다.

진단이라는 표현은 시스템이 오작동하는지 여부에 대한 질문에 대한 답변과 답변을 계산하는 과정을 의미하기도 한다. 이 단어는 진단이 증상에 따라 질병을 식별하는 과정인 의학적 맥락에서 유래한다.

예시

진단의 예는 자동차 정비공의 과정이다. 정비사는 먼저 자동차에 대한 관찰과 해당 유형의 차량에 대한 지식을 바탕으로 비정상적인 행동을 감지하려고 할 것이다. 만약 그가 행동이 비정상적이라는 것을 발견하면, 정비사는 결함이 있는 부품을 발견할 때까지 새로운 관찰을 사용하고 시스템을 테스트하여 진단을 개선하려고 할 것이다. 정비사는 차량 진단에 중요한 역할을 한다.

전문가 진단

전문가 진단(또는 전문가 시스템에 의한 진단)은 시스템에 대한 경험을 기반으로 한다. 이 경험을 사용하여 관찰을 해당 진단과 효율적으로 연결하는 매핑이 구축된다.

경험은 다음을 통해 제공될 수 있다.

• 사람 운영자. 이 경우 사람의 지식은 컴퓨터 언어로 번역되어야 한다.
• 시스템 동작의 예시. 이 경우 예시는 올바른 것으로 분류되거나 결함이 있는 것으로 분류되어야 한다(후자의 경우, 결함 유형에 따라). 그런 다음 기계 학습 방법이 예시에서 일반화하는 데 사용된다.

이러한 방법의 주요 단점은 다음과 같다.

• 전문성 습득의 어려움. 전문성은 일반적으로 시스템(또는 유사 시스템)을 장기간 사용한 후에만 얻을 수 있다. 따라서 이러한 방법은 안전 또는 미션 크리티컬 시스템(예: 원자력 발전소 또는 우주에서 작동하는 로봇)에는 부적합하다. 또한 습득된 전문가 지식은 결코 완전하다고 보장할 수 없다. 이전에 보지 못한 행동이 발생하여 예상치 못한 관찰로 이어지는 경우 진단을 내릴 수 없다.
• 학습의 복잡도. 전문가 시스템을 구축하는 오프라인 프로세스는 많은 시간과 컴퓨터 메모리가 필요할 수 있다.
• 최종 전문가 시스템의 크기. 전문가 시스템은 모든 관찰을 진단에 매핑하는 것을 목표로 하므로 경우에 따라 엄청난 양의 저장 공간이 필요할 수 있다.
• 강건성 부족. 시스템에 작은 수정이라도 가해지면 전문가 시스템을 구축하는 프로세스를 반복해야 한다.

약간 다른 접근 방식은 전문성에서 직접 구축하는 대신 시스템 모델에서 전문가 시스템을 구축하는 것이다. 예를 들어 이산 사건 시스템 진단을 위한 진단자를 계산하는 것이다. 이 접근 방식은 모델 기반으로 볼 수 있지만, 전문가 시스템 접근 방식의 일부 장점을 얻고 일부 단점을 겪는다.

모델 기반 진단

모델 기반 진단은 시스템의 모델을 사용하는 귀추법의 한 예이다. 일반적으로 다음과 같이 작동한다.

모델 기반 진단의 원리

시스템(또는 인공물)의 동작을 설명하는 모델이 있다. 이 모델은 시스템 동작의 추상화이며 불완전할 수 있다. 특히, 결함 동작은 일반적으로 잘 알려져 있지 않으므로 결함 모델이 표현되지 않을 수 있다. 시스템의 관찰이 주어지면 진단 시스템은 모델을 사용하여 시스템을 시뮬레이션하고 실제로 수행된 관찰을 시뮬레이션이 예측한 관찰과 비교한다.

모델링은 다음 규칙에 의해 단순화될 수 있다(여기서 ${\displaystyle Ab\,}$는 비정상 술어이다).

${\displaystyle \neg Ab(S)\Rightarrow Int1\wedge Obs1}$

${\displaystyle Ab(S)\Rightarrow Int2\wedge Obs2}$ (결함 모델)

이 공식의 의미는 다음과 같다. 시스템의 동작이 비정상이 아니면(즉, 정상이면) 내부(관찰 불가능한) 동작은 ${\displaystyle Int1\,}$이고 관찰 가능한 동작은 ${\displaystyle Obs1\,}$이다. 그렇지 않으면 내부 동작은 ${\displaystyle Int2\,}$이고 관찰 가능한 동작은 ${\displaystyle Obs2\,}$이다. 관찰 ${\displaystyle Obs\,}$가 주어지면, 시스템 동작이 정상인지 아닌지(${\displaystyle \neg Ab(S)\,}$ 또는 ${\displaystyle Ab(S)\,}$)를 결정하는 것이 문제이다. 이것은 귀추법의 한 예이다.

진단 가능성

시스템의 동작이 어떻든 상관없이 모호함 없이 고유한 진단을 결정할 수 있다면 그 시스템은 진단 가능하다고 한다.

진단 가능성 문제는 시스템을 설계할 때 매우 중요하다. 왜냐하면 한편으로는 비용을 줄이기 위해 센서 수를 줄이고 싶을 수 있고, 다른 한편으로는 결함 동작을 감지할 확률을 높이기 위해 센서 수를 늘리고 싶을 수 있기 때문이다.

이러한 문제를 다루는 여러 알고리즘이 존재한다. 한 부류의 알고리즘은 시스템이 진단 가능한지 여부에 대한 질문에 답하고, 다른 부류는 시스템을 진단 가능하게 만들고 선택적으로 비용 최적화와 같은 기준을 준수하는 센서 세트를 찾는다.

시스템의 진단 가능성은 일반적으로 시스템 모델에서 계산된다. 모델 기반 진단을 사용하는 애플리케이션에서는 이러한 모델이 이미 존재하며 처음부터 구축할 필요가 없다.

Bibliography

• Hamscher, W.; L. Console; J. de Kleer (1992). 《Readings in model-based diagnosis》. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc. ISBN 1-55860-249-6.

같이 보기

• 보건분야의 인공지능
• AI 효과
• 인공지능의 응용
• 인식론
• 신기술 목록
• 인공지능의 개요

외부 링크

DX 워크숍

DX는 1989년에 시작된 진단 원리에 관한 연례 국제 워크숍이다.

• DX 2016
• DX 2015
• DX 2014
• DX 2013
• DX 2012 보관됨 2015-05-24 - 웨이백 머신
• DX 2011
• DX 2010
• DX 2009 보관됨 2008-10-22 - 웨이백 머신
• DX 2008 보관됨 2008-09-08 - 웨이백 머신
• DX 2007
• DX 2006
• DX 2005
• DX 2004
• DX 2003
• DX 2002
• DX 2001
• DX 2000 보관됨 2006-09-13 - 웨이백 머신
• DX 1999
• DX 1998
• DX 1997