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.