عیب یابی

عیب یابی (هوش مصنوعی). به عنوان یک زیرشاخه در هوش مصنوعی، عیب یابی به توسعه الگوریتم ها و تکنیک هایی می پردازد که قادر به تعیین درستی رفتار یک سیستم هستند. اگر سیستم به درستی کار نمی کند، الگوریتم باید بتواند تا حد ممکن به صورت دقیق تشخیص دهد که کدام بخش از سیستم از کار افتاده و همچنین با کدام نوع خطا مواجه است. محاسبات الگوریتم بر اساس مشاهداتی است که اطلاعاتی را در مورد رفتار سیستم ارائه می دهد.
عبارت تشخیص یا عیب یابی به این سوال پاسخ می دهد که آیا سیستم دچار مشکل است یا خیر و همچنین به فرایند محاسبه پاسخ اشاره دارد. این کلمه از علم پزشکی می آید که در آن تشخیص، فرایند شناسایی یک بیماری با علائم آن است.
به عنوان مثالی از عیب یابی، یک مکانیک را به همراه یک خودرو در نظر بگیرید. در ابتدا مکانیک سعی می کند هر گونه رفتار غیرعادی بر اساس مشاهدات و دانش قبلی خود از این نوع خودرو را تشخیص دهد. اگر متوجه هر گونه رفتار غیرعادی شود، سعی می کند با استفاده از مشاهدات جدید و آزمایش سیستم خودرو، تشخیص خود را بهبود دهد تا زمانی که قطعه معیوب را پیدا کند؛ مکانیک نقش مهمی را در عیب یابی خودرو دارد.
عیب یابی تخصصی ( یا تشخیص توسط سیستم خبره ) بر اساس تجربه با سیستم است. با استفاده از این تجربه، نگاشتی صورت می گیرد که به طور موثر مشاهدات را به تشخیص های مربوطه مرتبط می کند.
تجربه از طریق مسیرهای زیر فراهم می گردد:
• توسط منابع انسانی: در این صورت دانش بشری باید به زبان کامپیوتری ترجمه شود.
• با نمونه هایی از رفتار سیستم: در این مورد، نمونه ها باید به عنوان درست یا معیوب ( در مورد دوم، بر اساس نوع خطا ) طبقه بندی شوند. در نهایت از روش های یادگیری ماشینی برای تعمیم نمونه ها استفاده می شود.
اشکالات اصلی این روش ها عبارتند از:
• دشواری در کسب تخصص: تخصص معمولاً تنها پس از استفاده طولانی مدت از سیستم ( یا سیستم های مشابه ) بدست می آید؛ بنابراین، این روش ها برای سیستم های ایمنی یا مأموریت های حیاتی ( مانند نیروگاه هسته ای یا ربات هایی که در فضا کار می کنند ) مناسب نیستند. علاوه بر این، تضمین کامل بودن دانش تخصصی به دست آمده هرگز ممکن نیست. در صورتی که رفتاری رخ دهد که قبلاً دیده نشده و منجر به مشاهدات غیرمنتظره شود، تشخیص صحیح غیرممکن است.
• پیچیدگی فرایند یادگیری: فرایند ساخت یک سیستم خبره به صورت آفلاین، ممکن است به زمان و حافظه کامپیوتری زیادی نیاز داشته باشد.
• اندازه سیستم خبره نهایی: از آنجایی که هدف سیستم خبره نگاشت هر مشاهده به یک تشخیص است، در برخی موارد به فضای ذخیره سازی زیادی نیاز دارد.
• مقاوم نبودن در برابر تغییرات: اگر حتی یک اصلاح کوچک در سیستم ایجاد شود، فرایند ساخت سیستم خبره باید تکرار شود.