Contribuţii la achiziţia şi structurarea cunoştinţelor în sisteme inteligente pentru diagnoza defectelor
Diagnoza defectelor
inferioare corespondentului uman. Principala trăsătură a acestor reţele
este capacitatea de a învăţa pe bază de exemple, folosindu-se de
experienţele anterioare pentru a-şi îmbunătăţi performanţele.
Reţelele neuronale sunt utilizate atât pentru detecţia cât şi pentru
izolarea defectelor (Patton et al., 1999). Pentru detecţia defectelor,
utilizând RNA este modelat comportamentul normal al sistemului. În
urma comparării ieşirii RNA cu ieşirea sistemului rezultă reziduurile
care, la rândul lor, sunt clasificate în clase corespunzătoare.
Reţelele neurale artificiale sunt caracterizate pe baza a trei elemente:
modelul adoptat pentru elementul de procesare individual,
structura particulară de interconexiuni (arhitectura),
mecanismele de ajustare a legăturilor (algoritmii de învăţare).
Practic, reţelele neuronale artificiale sunt alcătuite din noduri
interconectate numite neuroni modelând reţele neuronale biologice,
asemănătoare creierului uman. Au capacitatea de învăţare şi, prin
urmare, pot fi utilizate pentru a modela relaţiile complexe dintre intrări
(observaţii) şi ieşiri (cauze), cu condiţia ca acestea să fie robuste
împotriva zgomotului sau nepotrivirii în datele de intrare. Cu toate
acestea, sistemele bazate pe reţele neuronale necesită perioade lungi de
timp pentru formare iar comportamentul lor în afara zonei lor de formare
este dificil de prevăzut (P. Wu et al., 1998).
Capacitatea RNA de a rezolva probleme practice complexe utilizând
o mulţime (uneori restrânsă) de exemple, conferă un potenţial de
aplicabilitate extrem de larg. Calculul neuronal reprezintă actualmente
un domeniu de cercetare fascinant, o provocare intelectuală şi
tehnologică majoră. RNA au modificat imaginea noastră asupra
proceselor de calcul şi aspectelor algoritmice ale inteligenţei artificiale
furnizând domeniului psihologiei un model al proceselor mentale.
Concluzii: Pentru diagnoza sistemelor virtualizate, maparea
efectelor (manifestărilor) către cauze (defecte) prin RNA este posibilă
ântrucât atât efectele cât şi cauzele sunt elemente discrete (piese de
cunoştinţe). Efectele unor situaţii de defect sunt, de exemplu, mesaje în
fişierele log şi astfel, dacă expertul uman deţine seturi de efecte,
corespunzătoare fiecărui defect care survine, aceste asociaţii se pot
„memora” în RNA, prin antrenare. Totuşi, apar probleme majore în
generarea perechilor efecte–defecte care trebuiesc memorate în RNA,
pentru că aceste perechi sunt dependente de context şi este posibil ca
unele efecte să creeze un model (pattern) diferit pentru acelaşi defect în
27