تعد تطبيقات الذكاء الاصطناعي في تشخيص الأعطال في الأنظمة الميكانيكية الحرجة من المجالات المتنامية بشكل ملحوظ، ولكن وفقًا لبحث جديد، هناك حاجة ماسة إلى تحسين موثوقية هذه التكنولوجيا. يحقق هذا البحث قفزة نوعية من خلال تقديم نموذج "شبكة أدلة التشخيص" (Diagnostic Evidence Network - DENet)، الذي يعزز عملية التشخيص من خلال توفير أدلة مادية يمكن التحقق منها بسهولة.

في السابق، كانت الأساليب التقليدية تعتمد بشكل كبير على مخرجاتها القابلة للتفسير، التي كانت تتضمن تصنيفات مع درجات ثقة تغطي فقط الاحتمالات. ومع ذلك، لا توفر هذه النتائج تحققًا موثوقًا من صحة التنبؤات من واقع فيزيائي مستقل.

وكما كشفت الدراسة، فإن استخدام النماذج اللغوية التوليدية (Generative Language Models) في تقارير الصيانة قد يضيف أيضًا مخاطر، إذ يمكن أن تظهر معلومات خاطئة تؤثر على القرارات المهمة. لذلك، قدم الباحثون نموذجًا يتجاوز هذه التحديات: نظامهم الجديد يوفر تصنيفًا، وترددًا مميزًا يمكن مقارنته بالقيم النظرية المستمدة من الهندسة المحددة للمحامل وسرعة العمود.

عبر أربعة نماذج مختلفة وثلاث مجموعات بيانات عامة، أثبتت نتائج البحث عدم وجود تكاليف دقة ذات دلالة إحصائية، حيث كانت هناك أخطاء في التردد تصل إلى حوالي 6 هرتز. الأهم من ذلك هو أن الفارق بين التردد المتوقع والنظري يعد إشارة تحقق وقت الاستنتاج، مما يتيح الكشف عن الأخطاء في التصنيف بدقة عالية.

كما تم تعديل نموذج لغوي باستخدام طريقة QLoRA، حيث تم تحديده ليترجم فقط المحتوى التشخيصي، مما قلل من معدلات الادعاءات غير المدعومة من 10-12٪ إلى 2٪، مما يضمن الجودة العالية للمعلومات المستخرجة من التقارير.

في الختام، يعد هذا العمل بمثابة خطوة هامة نحو تعزيز الاعتمادية في تقنيات الذكاء الاصطناعي المستخدمة في المجالات الميكانيكية، مما يفتح الأبواب لتطبيقات أكبر وأكثر ثقة. ما رأيكم في هذا التطور الرائد؟ شاركونا في التعليقات!