Masinõppest (ML – Machine Learning) on kõik kuulnud, kuid hoolimata nende algoritmide edust uurimistöödes ei ole masinõpe praktikas siiski laialdaselt kasutusel. Miks? Tallinna Tehnikaülikooli teadlane Juri Belikov püüab koos teiste teadlastega seda probleemi lahendada.
Üks peamisi vähese kasutuse põhjusi on masinõppe mudelite n-ö 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 nn 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 XAI-d 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, eesti k “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 põhinevad jõuelektroonika tehnoloogial, mis võimaldab võrku sisestada kõrgetasemelisi pinge ja voolu harmoonikuid.
Teadusrühma kuulusid lisaks Juri Belikovile ka Ram Machlev, Michael Perl, Kfir Levy ja Yoash Levron Iisraeli Tehnoloogia Instituudist Technion.
Teadusartikliga saab tutvuda juuresoleval lingil: https://tinyurl.com/2p8duuup.
TalTech Press
