診断（人工知能）

人工知能の一分野である診断は、システムの動作が正しいかどうかを判断できるアルゴリズムと技術の開発に関わるものです。システムが正しく機能していない場合、アルゴリズムは、システムのどの部分に不具合が生じているのか、またどのような種類の障害が発生しているのかを、可能な限り正確に特定できる必要があります。この計算は、現在の動作に関する情報を提供する観測データに基づいて行われます。

「診断」という表現は、システムが誤作動しているかどうかという問いへの答え、およびその答えを算出するプロセスも指します。この言葉は医学の文脈に由来し、診断とは症状から病気を特定するプロセスを指します。

例

診断の一例として、自動車整備士が自動車を点検するプロセスが挙げられます。整備士はまず、車両の状態を観察し、その車種に関する知識に基づいて異常な挙動がないかを確認します。異常な挙動が見つかった場合、整備士は新たな観察結果を得たり、システムをテストしたりして診断を絞り込み、最終的に故障箇所を特定します。このように、整備士は車両診断において重要な役割を果たします。

専門家による診断

専門家による診断（またはエキスパートシステムによる診断）は、システムに関する経験に基づいて行われます。この経験を利用して、観測結果とそれに対応する診断結果を効率的に関連付けるマッピングが構築されます。

提供可能な体験は以下のとおりです。

人間のオペレーターによって行われる。この場合、人間の知識をコンピュータ言語に変換する必要がある。
システム動作の事例を用いて分類します。この場合、事例は正常か異常か（異常の場合は異常の種類）に分類する必要があります。その後、機械学習手法を用いて事例から一般化を行います。

これらの方法の主な欠点は以下のとおりです。

専門知識の習得の難しさ。専門知識は通常、システム（または類似システム）を長期間使用した後にのみ得られる。そのため、これらの方法は、安全性やミッションクリティカルが求められるシステム（原子力発電所や宇宙空間で稼働するロボットなど）には適さない。さらに、得られた専門知識が完全であるとは決して保証できない。これまで見られなかった挙動が発生し、予期せぬ事態が生じた場合、診断を下すことは不可能である。
学習の複雑さ。エキスパートシステムを構築するオフラインプロセスは、膨大な時間とコンピュータメモリを必要とする場合がある。
最終的なエキスパートシステムの規模。エキスパートシステムはあらゆる観察結果を診断に結びつけることを目的としているため、場合によっては膨大なストレージ容量が必要となる。
堅牢性の欠如。システムにわずかな変更を加えただけでも、エキスパートシステムの構築プロセスをやり直さなければならない。

やや異なるアプローチとして、専門知識から直接ではなく、システムのモデルからエキスパートシステムを構築する方法があります。例えば、離散イベントシステムの診断のための診断器の計算などが挙げられます。このアプローチはモデルベースと見なすことができますが、エキスパートシステムのアプローチの利点と欠点の両方を持ち合わせています。

モデルベース診断

モデルベース診断は、システムのモデルを用いたアブダクション推論の一例です。一般的に、その仕組みは以下のとおりです。

システム（または人工物）の挙動を記述するモデルがあります。このモデルはシステムの挙動を抽象化したものであり、不完全な場合があります。特に、不具合のある挙動は一般的にあまり知られていないため、不具合のあるモデルが表現されていない可能性があります。診断システムは、システムの観測結果に基づいてモデルを用いてシステムをシミュレーションし、実際に得られた観測結果とシミュレーションによって予測された観測結果を比較します。

モデリングは、次のルールによって簡略化できます（ $Ab\,$ Abは正規述語です):

$\neg Ab(S)\Rightarrow Int1\wedge Obs1$

$Ab(S)\Rightarrow Int2\wedge Obs2$ （故障モデル）

これらの式のセマンティクスは次のとおりです。システムの挙動が異常でない場合（つまり、正常な場合）、内部（観測不可能な）挙動は次のようになります。 $Int1\,$ そして、観察可能な挙動 $Obs1\,$ そうでなければ、内部動作は $Int2\,$ そして、観察可能な挙動 $Obs2\,$ 観察結果を考慮すると $Obs\,$ 問題は、システムの動作が正常かどうかを判断することです（ $\neg Ab(S)\,$ または $Ab(S)\,$ これはアブダクション推論の一例です。