Key points are not available for this paper at this time.
As pesquisas sobre inteligência artificial explicável (XAI) estão relacionadas à biologia, ensaios clínicos, gestão fintech, medicina, neurorrobótica e psicologia, entre outros. O prognóstico e gestão de saúde (PHM) é a disciplina que vincula os estudos dos mecanismos de falha à gestão do ciclo de vida do sistema. Existe uma necessidade, que ainda está ausente, de produzir uma compilação analítica dos trabalhos PHM-XAI. Neste artigo, usamos os itens de relato preferenciais para revisões sistemáticas e meta-análises (PRISMA) para apresentar um estado da arte sobre XAI aplicada ao PHM de ativos industriais. Este trabalho fornece uma visão geral da tendência de XAI em PHM e responde à questão da precisão versus explicabilidade, considerando a extensão do envolvimento humano, a avaliação da explicação e a quantificação da incerteza neste tópico. Artigos de pesquisa associados ao assunto, de 2015 a 2021, foram selecionados de cinco bancos de dados seguindo a metodologia PRISMA, vários deles relacionados a sensores. Os dados foram extraídos dos artigos selecionados e examinados, obtendo-se resultados diversos que foram sintetizados da seguinte forma. Primeiro, embora a disciplina ainda seja jovem, a análise indica uma aceitação crescente de XAI em PHM. Em segundo lugar, XAI oferece vantagens duplas, onde é assimilada como uma ferramenta para executar tarefas de PHM e explicar atividades de diagnóstico e detecção de anomalias, implicando uma necessidade real de XAI em PHM. Em terceiro lugar, a revisão mostra que os artigos PHM-XAI fornecem resultados interessantes, sugerindo que o desempenho do PHM não é afetado pela XAI. Em quarto lugar, o papel humano, as métricas de avaliação e a gestão da incerteza são áreas que requerem mais atenção da comunidade PHM. Métricas de avaliação adequadas que atendam às necessidades de PHM são solicitadas. Finalmente, a maioria dos estudos de caso apresentados nos artigos considerados é baseada em dados industriais reais, e alguns deles estão relacionados a sensores, mostrando que as misturas disponíveis de PHM-XAI resolvem desafios do mundo real, aumentando a confiança na adoção de modelos de inteligência artificial na indústria.
Nor et al. (Wed,) estudaram esta questão.