Uus meetod aitab mõista masinõppe hingeelu
28. detsember 2021, 08:25
Masinõpe (ML) pole hoolimata nende algoritmide edust uurimistöödes siiski laialdaselt kasutusel, kuid nüüd aitab Tallinna Tehnikaülikooli (TalTech) teadlane Juri Belikov koos teiste teadlastega seda probleemi lahendada ning pugeda masinõppe hingeellu.
Üks peamisi vähese kasutuse põhjusi on masinõppe mudelite nii-öelda tõlgendatavuse puudumine. See tähendab, et isegi kui masinõppetehnikad annavad mingis valdkonnas suurepäraseid tulemusi, ei mõista kasutajad, kuidas need otsused sünnivad või mis toimub masina hinges. Sestap on praktikas turvalisem kasutada juba tõestatud meetodeid, millest kasutaja saab aru, miks on tulemus just selline.
XAI pakub lahendust
Nüüd pakuvad teadlased, kelle hulgas on Tallinna Tehnikaülikooli tarkvarateaduse instituudi abiprofessor Juri Belikov, väljaandes IEEE Transactions on Industrial Informatics ilmunud teadusartiklis «Measuring Explainability and Trustworthiness of Power Quality Disturbances Classifiers Using XAI – Explainable Artificial Intelligence» sellele probleemile lahendust.
Termin XAI (Explainable Artificial Intelligence) võeti kasutusele eesmärgiga koondada niinimetatud seletatavuse tehnikaid. Uue meetodi eesmärk on muuta ML-mudelid tõlgendatavaks, mis omakorda võimaldab kasutajal mõista, kuidas tehisintellekt just konkreetsete otsusteni jõudis, säilitades samal ajal nende kõrge jõudluse ja täpsuse.
Kui seni on XAId uuritud mitmesugustes kriitilistes süsteemides, kus usaldusväärsus on oluline, näiteks kaitsevaldkond, meditsiin, isejuhtivad sõidukid jms, tunnistab teadusartikli kaasautor Juri Belikov, et artiklis tutvustatud XAI meetodit saab rakendada ka elektrisüsteemide puhul, keskendudes rikete ja elektrisüsteemi nn normist kõrvalekallete klassifitseerimise ülesannetele. PQD (Power Quality Disturbances ehk toitekvaliteedi häired) klassifikaatori järgi on häirete peamisteks tüüpideks pingelangus, -tõus, -moonutused, värelused, sageduste muutused, katkestused. Sellest lähtuvalt töötasid teadlased välja hindamisprotsessi, et mõõta iga XAI tehnika ja klassifikaatori nn seletatavuse skoori.
Uuel meetodil on suur potentsiaal
Seejärel optimeeritakse PQD-klassifikaatori põhjal saadud tulemused viisil, et need oleksid täpsed ja kergesti mõistetavad. «Usume, et teadusartiklis esitatud meetodil ja tulemustel on märkimisväärne potentsiaal selgitada masinõppe algoritmide otsuseid, mida tänapäeval elektrisüsteemide valdkonnas üha enam uuritakse,» märgib Belikov.
Viimase kümnendi jooksul on toitekvaliteedi jälgimise tööriistad muutunud hädavajalikuks – toitekvaliteet mõõdab näitajate vastavust kehtestatud standardile. Selle populaarsuse põhjus on mittelineaarsete generaatorite ja koormuste jätkuv integreerimine elektrivõrkudesse, millest enamik põhineb jõuelektroonika tehnoloogial, mis võimaldab võrku sisestada kõrgetasemelisi pinge ja voolu harmoonikuid.
Teadusrühma kuulusid lisaks Juri Belikovile Ram Machlev, Michael Perl, Kfir Levy ja Yoash Levron Iisraeli tehnoloogia instituudist Technion.