大規模実時間知識ベース構築における知識の矛盾検知と学習に関する研究

Studies on learning by detectiong impasse and by resuling it for building large scale knowledge base for autonomous plant

椹木 哲夫*

not registered

現在までに原子力プラントで発生したトラブルの多くは、運転操作ミスなどの人的要因に関係したものである。そこで安全性、信頼性向上を目的として、従来人間の運転員や保守員の果たしてきた役割を人工知能技術を主体とした自動化システムに代替し、できるかぎり人的要因を排除していこうとする自律型プラントの開発研究が盛んに進められている。自律型プラントにおいては、プラントに関する膨大な量の知識を実施し、この知識を実時間で利用可能にしていくものであるが、そこで問題になるのが、これら膨大な知識の獲得と管理である。すなわち合理的な知識として実装できる知識の量には自ずと限界があり、このような不完全な知識を用いる限り、想定外事象の生起に対しては極めて脆弱なものにならざるを得ない。もちろん最終的には人間オペレータの判断に委ねることが考えられるが近年の人間オペレータへの監視業務一辺倒に偏りがちな自動化システムとの役割分担やモニターすべき情報の飛躍的な拡大は自律機能のみならず、オペレータに対して想定外事象が生じた差異の緊急時に冷静沈着な判断を支援することも併ねた知識化が必須となる。すなわち自律型プラントに求められるのは、このような状況で生起している事象を自身の知識の不備をも考慮した解釈を行うことで的確に現時点での矛盾を検知し、その解消策の提案をオペレータに対して提示したり、自らその解消を試みることで、自身の知識を常に更新していける機構の実現である。さらに知識ベースの実時間運用を考える際には、時間的に不変な知識ばかりを想定することは難しく、対象システムの時間的推移に合せて適用すべき知識もダイナミックに追従しながら更新していくことが求められるが、この意味においても、いつどの時点で現状の知識の確認し、これを改定していけばよいかについてのメンタルモデル判断機能が不可欠となる。本報告ではこのような状況に際して、想定外の事象に対して現在の知識ベースの知識との矛盾を速やかに検知し、自律プラント自らが、あるいはオペレータがその矛盾を解消を的確に行うことを可能にするための方策について、人工知能における機械学習(machine learning)分野から、帰納学習、演繹学習を中心に概説する。そしてそれらの学習手法における矛盾検知とその解消による知識獲得がそのように実現されるかについて、1)既存知識の矛盾検知、2)合理的

Recently, due to the tremendous improvement of information infrastructures such as networking facilities, the idea of a large scale knowledge base with realtime operations for technological plants has emerged. The major bottleneck for building a large scale knowledge base for an autonomous plant lies in its design phase. The acquisition of knowledge from human experts in an exhaustive way is extremely difficult, and even if it were possible, the maintenance of such a large knowledge base for realtime operation is not an easy task. The autonomous system having just incomplete knowledge would face with so many problems that contradicts with the system's current beliefs and/or are novel or unknown to the system. Experienced humans can manage to do with such novelty due to their generalizing ability and analogical inference based on the repertoire of precedents, even if they with new problems. Moreover, through experiencing such breakdowns and impasse, they can acquire some novel knowledge by their proactive attempts to interpret a provided problem as well as by updating their beliefs and contents and organization of their prior knowledge. We call such a style of learning as impasse-driven learning, meaning that learning dose occur being motivated by facing with contradiction and impasse. The related studies concerning with such a style of learning have been studied within a field of machine learning of artificial intelligence so far as well as within a cognitive science field. In this paper, we at first summarize an outline of machine learning methodologies, and then, we detail about the impasse-driven learning. We discuss that from two different perspectives of learning, one is from deductive and analogical learning and the other one is from inductive conceptual learning (i.e., concept formation or generalization-based memory). The former mainly discuss about how the learning system updates its prior beiiefs and knowledge so that it can explain away the ...