Sistemi di Interpretazione dati e Diagnosi Overview

Transcript

1 Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A10_1 V1.0 Sistemi di Interpretazione dati e Diagnosi Overview Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale e per supporto a lezioni universitarie. Ogni altro uso è riservato, e deve essere preventivamente autorizzato dall autore. Sono graditi commenti o suggerimenti per il miglioramento del materiale Nota: è utilizzato in parte il materiale didattico associato al testo di Stuart J. Russel, Peter Norvig A10 Diagnosi Paolo Salvaneschi 1

2 INDICE Interpretazione dati e diagnosi Classificazione euristica Sistemi basati su modelli Sistemi a più modelli Spiegazione A10 Diagnosi Paolo Salvaneschi 2 A10 Diagnosi Paolo Salvaneschi 2

3 Interpretazione dati e diagnosi Interpretazione dati Raccolta di misure Astrazione Identificazione dello stato del sistema Classificazione dello stato rispetto a stati desiderati / non desiderati (allarmi) Trattamento dell incertezza Identificazione di ulteriori misure Gestione del costo delle misure A10 Diagnosi Paolo Salvaneschi 3 A10 Diagnosi Paolo Salvaneschi 3

4 Interpretazione dati e diagnosi Diagnosi Raccolta di misure (sintomi) Astrazione Identificazione del guasto / malattia. Guasti singoli / multipli Trattamento dell incertezza Identificazione di ulteriori misure Gestione del costo delle misure A10 Diagnosi Paolo Salvaneschi 4 A10 Diagnosi Paolo Salvaneschi 4

5 Classificazione euristica Sistemi basati su associazioni empiriche / euristiche tra Misure --- stati Sintomi --- guasti Schema generale (pattern) di questa classe di sistemi: Heuristic classification A10 Diagnosi Paolo Salvaneschi 5 A10 Diagnosi Paolo Salvaneschi 5

6 Classificazione euristica Heuristic classification HEURISTIC MATCH Data abstractions Solutions abstractions DATA ABSTRACTION REFINEMENT Data Solutions A10 Diagnosi Paolo Salvaneschi 6 A10 Diagnosi Paolo Salvaneschi 6

7 Classificazione euristica Esempio Stati del paziente HEURISTIC MATCH Descrizioni di malattie DATA ABSTRACTION Risultati di analisi Evidenze REFINEMENT Soluzione precisa Esempio A10 Diagnosi Paolo Salvaneschi 7 A10 Diagnosi Paolo Salvaneschi 7

8 Classificazione euristica Data abstraction Astrarre i dati da quantitativi a qualitativi. Trasformare dati in concetti Heuristic match Associare una classe di soluzioni diagnostiche a concetti o dati che descrivono sintomi Refinement Specializzare, dettagliare la diagnosi A10 Diagnosi Paolo Salvaneschi 8 A10 Diagnosi Paolo Salvaneschi 8

9 Classificazione euristica Note Non necessariamente il processo è sequenziale (data abstraction -> heuristic match -> refinement) Il processo può richiedere più iterazioni (genera un ipotesi e verifica iterativamente) Non necessariamente il processo è forward (data driven). Potrebbere essere backward (goal driven) o misto A10 Diagnosi Paolo Salvaneschi 9 A10 Diagnosi Paolo Salvaneschi 9

10 Classificazione euristica Limiti di questa classe di sistemi Basati su conoscenza empirica / euristica (descrivono il comportamento di un esperto) Non possiedono una conoscenza di come il sistema funziona Ridotte capacità di spiegazione Non capacità di far fronte ad eventi inaspettati A10 Diagnosi Paolo Salvaneschi 10 A10 Diagnosi Paolo Salvaneschi 10

11 Classificazione euristica Auto con lungo percorso in salita Temperatura esterna alta Motore non parte Versare acqua fredda sulla pompa dell olio Perché il motore riparte? Ci sono altri casi in cui si può applicare l azione? Se non riparte quali altre evidenze si possono raccogliere per continuare il processo diagnostico? Modello della struttura e del comportamento del motore A10 Diagnosi Paolo Salvaneschi 11 A10 Diagnosi Paolo Salvaneschi 11

12 Sistemi basati su modelli Sistemi basati su modelli espliciti (deep vs shallow knowledge) Rappresentazione esplicita di un modello del sistema Ragionamento sul modello Tipi di modelli Comportamento Struttura Funzione A10 Diagnosi Paolo Salvaneschi 12 A10 Diagnosi Paolo Salvaneschi 12

13 Sistemi basati su modelli Modelli espliciti causali del comportamento Nota: le relazioni causali possono essere utilizzate anche con conoscenza empirica/euristica Ragionamento abduttivo Tipi di modelli: Epatite dolore al fegato Modello del comportamento corretto Modello del comportamento in caso di guasto A10 Diagnosi Paolo Salvaneschi 13 A10 Diagnosi Paolo Salvaneschi 13

14 Sistemi basati su modelli Modello del comportamento corretto Ragionamento diagnostico: cercare gli stati del sistema che differiscono dagli stati attesi e trovare le cause dell anomalia A10 Diagnosi Paolo Salvaneschi 14 A10 Diagnosi Paolo Salvaneschi 14

15 Sistemi basati su modelli Modello del comportamento in caso di guasto Ragionamento diagnostico: ipotizzare un guasto; testare la correttezza dell ipotesi e identificare le cause percorrendo la rete causale dello specifico modello di guasto (più modelli di guasto) A10 Diagnosi Paolo Salvaneschi 15 A10 Diagnosi Paolo Salvaneschi 15

16 Sistemi basati su modelli Modelli qualitativi Dati qualitativi Modelli qualitativi dei sistemi fisici Dalle equazioni differenziali all analisi dei segni delle variabili, degli ordini di grandezza A10 Diagnosi Paolo Salvaneschi 16 A10 Diagnosi Paolo Salvaneschi 16

17 Sistemi a più modelli Utilizzo combinato di più modelli Integrazione di conoscenze incomplete (es. euristiche + modelli qualitativi + modelli quantitativi ) Integrazione di approcci diversi per migliorare l efficienza (es. livello euristico che mette a fuoco la parte di modello esplicito causale di interesse) A10 Diagnosi Paolo Salvaneschi 17 A10 Diagnosi Paolo Salvaneschi 17

18 Sistemi a più modelli misure Stati qualitativi di singole misure Modelli quantitativi (statistici o deterministici) Conoscenza empirica di fenomeni relativi a famiglie di misure Modelli qualitativi di processi fisici Stato di sicurezza A10 Diagnosi Paolo Salvaneschi 18 A10 Diagnosi Paolo Salvaneschi 18

19 Sistemi a più modelli CHECK Torasso Console A10 Diagnosi Paolo Salvaneschi 19 A10 Diagnosi Paolo Salvaneschi 19

20 Spiegazione Importanza della spiegazione Spiegazione nei sistemi interattivi di supporto alle decisioni (modo per raggiungere il consenso) Spiegazione come risultato della diagnosi A10 Diagnosi Paolo Salvaneschi 20 A10 Diagnosi Paolo Salvaneschi 20

21 Spiegazione Spiegazione come traccia commentata della linea di ragionamento (es. le regole attivate in un sistema shallow) Spiegazione supportata da una specifica base di conoscenza La linea di ragionamento è diversa dalla linea di spiegazione, una volta che il ragionamento è concluso A10 Diagnosi Paolo Salvaneschi 21 A10 Diagnosi Paolo Salvaneschi 21

22 Spiegazione Spiegazione in IGOR A10 Diagnosi Paolo Salvaneschi 22 A10 Diagnosi Paolo Salvaneschi 22

23 Spiegazione Spiegazione: determinazione delle cause che, nella simulazione, hanno generato il danno nel modello dell'edificio al fine di permettere la pianificazione delle operazioni di consolidamento sullo stesso A10 Diagnosi Paolo Salvaneschi 23 A10 Diagnosi Paolo Salvaneschi 23

24 Spiegazione Spiegazione Spiegazioni Che cosa è successo? (rottura a taglio dei muri.) Perché è successo? (perché la resistenza a taglio del muro xx ) Come è successo? (storia dei processi significativi che hanno portato allo stato finale di danno) A10 Diagnosi Paolo Salvaneschi 24 A10 Diagnosi Paolo Salvaneschi 24

25 Spiegazione La definizione di causa dipende dallo scopo della spiegazione causale Tailored Causal Explanation A10 Diagnosi Paolo Salvaneschi 25 A10 Diagnosi Paolo Salvaneschi 25