Влияние качества обучающих данных на метрологическое обеспечение интеллектуальных средств измерений на основе машинного обучения

Развитие технологий искусственного интеллекта ускоряет внедрение алгоритмов машинного обучения (ML) в средства измерений для прямых и косвенных измерений, контроля состояния объектов и процессов. Это меняет требования к метрологическому обеспечению: наряду с традиционными источниками погрешности необходимо учитывать влияние качества обучающих данных на точность и неопределенность результата. В работе выполнен обзор нормативных документов и научных публикаций по метрологическому обеспечению средств измерений на основе ИИ и оценке неопределенности в задачах ML. Рассмотрены подходы к управлению качеством данных в серии ГОСТ Р 71484, требования ГОСТ Р 71562 и требования к наборам данных для разработки и верификации моделей для косвенных измерений (ГОСТ Р 71688); показано, как показатели качества данных (полнота, точность, репрезентативность и др.) могут быть сопоставлены составляющим погрешности интеллектуальных средств измерений. Проанализированы методы оценивания неопределенности, включая отчет NPL MS 34 [1] для регрессии и исследования влияния измерительной неопределенности на результаты ML в интеллектуальных датчиках [2], а также вероятностные модели виртуальных измерений с разделением алеторической и эпистемической неопределенности. Сделан вывод о необходимости интеграции требований к качеству данных и разработки методик декомпозиции неопределенности по источникам: данные, модель и средства получения исходной информации.

Аффилиация авторов

Паньков Андрей Николаевич – канд. техн. наук, доцент, Копылова Елена Васильевна – канд. химич. наук, доцент,
Якушевич Анастасия Николаевна – лаборант, МИРЭА – Российский технологический университет.

Список литературы

1. Thompson A. et al. Uncertainty evaluation for machine learning. NPL Report MS 34, 2021.
2. Application of Machine Learning to Express Measurement Uncertainty. Appl. Sci., 2022/2023.
3. Парамонов А.А., Нгуен В.М., Нгуен М.Т. Многозадачная нейронная сеть в задаче распознавания вида QAM- и PSK-модуляции в условиях параметрической априорной неопределенности Российский технологический журнал. 2023;11(4):49–58. https://doi.org/10.32362/2500- 316X-2023-11-4-49-58
4. Кудеяров Ю.А., Паньков А.Н. Испытания ПО СИ методом перекрестной проверки (кросс-валидации) // Главный метролог. 2015. №6. 12-14.
5. Dorst T. Measurement uncertainty in machine learning – uncertainty propagation and influence on performance. Dissertation, 2023.
6. Cramer S. Uncertainty quantification for virtual measurements in manufacturing with probabilistic machine learning. Dissertation, 2024.
7. Dorst T. et al. Influence of measurement uncertainty on machine learning results demonstrated for a smart gas sensor // J. Sens. Sens. Syst., 12, 45–60, 2023.