Uydu Anomali Yanıtı için Açıklanabilir Nedensel RL
Standart Pekiştirmeli Öğrenme (RL), bir kara kutu gibi çalışır. Verilerden kalıplar öğrenir ancak olayların neden gerçekleştiğini anlamaz.
Uydu operasyonlarında bu durum tehlikelidir. Eğer bir ajan güneş enerjisinde bir düşüş görürse, güneşin zayıfladığını varsayabilir. Eğer gerçek neden uzay enkazıysa, ajanın tepkisi sistemi çökertebilir.
Bir çözüm üzerinde çalıştım: Açıklanabilir Nedensel Pekiştirmeli Öğrenme (ECRL).
Bu yaklaşım Yapısal Nedensel Modeller (SCM) kullanır. Ajan sadece korelasyonları görmek yerine, sebep ve sonucu anlar. Şu soruya yanıt verebilir: "Farklı bir eylem alsaydım ne olurdu?"
Küresel ekiplerle çalışırken bu hayati önem taşır. Mühendislerin, görev planlamacıların ve düzenleyici kurumların hepsinin cevaplara ihtiyacı vardır. Ayrıca farklı diller konuşurlar ve farklı ihtiyaçları vardır.
Araştırmam üç temel sütuna odaklandı:
- Nedensel Keşif: Ajan, itici sıcaklığı ve yakıt akışı gibi değişkenler arasındaki ilişkiyi öğrenir.
- Açıklanabilirlik: Ajan bir muhakeme yolu oluşturur. Her kararın arkasındaki "neden"i gösterir.
- Çok Dilli Adaptasyon: Sistem, teknik mantığı farklı dillere çevirir.
Çevirinin tek başına yeterli olmadığını gördüm. Kültürel bağlam önem taşır.
- Japon paydaşlar genellikle grup konsensüsünü vurgulayan özetleri tercih ederler.
- Alman paydaşlar genellikle kesin olasılıklar ve veriler isterler.
- Arapça konuşan yetkililer resmi ve güvenlik odaklı gerekçeler talep edebilirler.
ECRL sistemi, üç seviyeli bir açıklama hiyerarşisi oluşturarak bu ihtiyaçları karşılar:
- Yönetici Seviyesi: Hızlı kararlar için basit özetler.
- Teknik Seviye: Mühendisler için ayrıntılı nedensel yollar.
- Derin Seviye: Araştırmacılar için tam matematiksel kanıtlar.
Nedenselliği çok dilli yapay zeka ile birleştirerek, kara kutu otomasyonundan şeffaf ve güvenilir uydu operasyonlarına geçiş yapıyoruz.
İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi