Русские и индийские учёные научили ИИ предсказывать поломки авиадвигателей: Система легко оценивает достоверность собственных прогнозов

Русские и индийские учёные создали интеллектуальную систему, предназначенную для определения оставшегося срока службы авиационных моторов. Уникальность новой разработки заключается в её способности не только с высокой точностью прогнозировать изменения в состоянии узлов, но и оценивать достоверность собственных прогнозов. Это значительно повышает безопасность использования ИИ-инструментов при обслуживании воздушных судов.

Как сообщает ТАСС, ведущий научный сотрудник МФТИ Юрий Дорн объяснил принцип работы разработки наглядным примером. Он провёл аналогию с прогнозом двух экспертов: один уверенно называет точное время отказа, а другой предоставляет более широкий диапазон вероятных значений, признавая границы своей компетенции. По словам исследователя, второй прогноз гораздо ценнее, и именно по этому принципу была обучена новая модель – быть подобной второму, более осмотрительному эксперту.

Недостаток существующих ИИ, используемых для мониторинга ресурса сложных механизмов, заключается в их непрозрачности. Такие системы функционируют по принципу "черного ящика", анализируя большие объемы данных с датчиков, но выдавая только одно "точечное" значение без указания возможной погрешности. Это имеет решающее значение для инженеров, но существующие ИИ-модели не предоставляют информацию о степени уверенности в своих выводах, что препятствует их широкому применению.

Для решения этой проблемы учёные предложили новый метод, в котором оценка неопределённости прогноза стала одной из основных целей обучения нейронной сети. Систему обучили оценивать два вида неопределённости: связанную с погрешностями измерительных приборов и нерегулярными колебаниями в работе двигателя, а также обусловленную недостаточным объемом данных для обучения самой модели. Эффективность подхода была протестирована на данных NASA. Новая разработка продемонстрировала наибольшую точность прогнозирования и способность адекватно оценивать степень неопределённости.