BRB-GNN: Hybrid Belief Rule Base and Graph Neural Network Framework for Interpretable Fault Diagnosis in Wireless Sensor Networks

تخيل مدينة حيث كل عمود إنارة، ومقعد حديقة، وإشارة مرور هي في الواقع كمبيوتر صغير يعمل بالبطارية ويتحدث مع جيرانه. هذه هي الشبكة المستشعرة اللاسلكية (WSN). هذه الشبكات هي الجهاز العصبي للحياة الحديثة، حيث تراقب بهدوء كل شيء من حرائق الغابات إلى آلات المصانع. ولكن إليك العقبة: هذه الكمبيوترات الصغيرة قوية، لكنها ليست مثالية. يمكن أن تتعلق، أو تصاب بالجنون بسبب الضوضاء الساكنة، أو تبدأ في الكذب بشأن درجة الحرارة. وعندما يحدث ذلك، يمكن للشبكة بأكملها أن ترتبك، مثل جوقة موسيقية يغني نصف أعضائها لحناً خاطئاً.

لفترة طويلة، حاول العلماء إصلاح ذلك من خلال وضع قواعد بسيطة "إذا-إذن". الأمر يشبه حارس أمن يقول: "إذا ارتففت درجة الحرارة أكثر من 5 درجات، أطلق الإنذار!" لكن هذا يصبح فوضوياً عندما تكون الشبكة ضخمة والمشكلات معقدة. إذا كذب مستشعر واحد، فقد يخدع جاره، الذي بدوره يخدع التالي، مما يخلق تأثيراً متسلسلاً من الأخطاء. مؤخراً، استُخدمت كمبيوترات ذكية تسمى "الشبكات العصبية الرسومية" (GNNs) لرسم هذه الروابط، حيث تعمل مثل المحقق الذي يفهم كيف يؤثر الجيران على بعضهم البعض. ومع ذلك، غالباً ما تكون هذه المحققات عبارة عن "صناديق سوداء" — فهي تعطيك إجابة، لكن لا يمكنك سؤالها لماذا تعتقد ذلك. ومن ناحية أخرى، هناك "قواعد الاستدلال القائمة على المعتقدات" (BRBs)، وهي تشبه الخبراء القدامى الذين يتبعون كتاب قواعد واضح ويمكنهم شرح منطقهم، لكنهم أحياناً يواجهون صعوبة في رؤية الصورة الكبيرة لكيفية اتصال الشبكة بأكملها. السؤال الكبير هو: هل يمكننا بناء نظام يمتلك قدرة المحقق على رؤية الحي بأكمله و قدرة الخبير على شرح سبب اتخاذه لقرار ما بدقة؟

هذا هو بالضبط ما سعى راجيش كومار براساد لتحقيقه من خلال إطار عمل جديد يسمى BRB-GNN. فكر في الأمر كتوظيف فريق يتكون من محقق ذكاء اصطناعي فائق الذكاء (GNN) يجمع الأدلة من الحي، ثم يسلم تلك الأدلة إلى قاضٍ حكيم يتبع القواعد (BRB) الذي يتخذ القرار النهائي ويكتب مبرراته. كان الهدف هو إنشاء نظام لتشخيص الأعطال لا يكتفي فقط ببراعة اكتشاف أنواع متعددة من المستشعرات المعطلة في وقت واحد، بل يكون أيضاً شفافاً بما يكفي لكي يثق به البشر ويفهموه.

اختبر الباحث هذه الفكرة من خلال بناء ملعب رقمي — شبكة محاكاة مكونة من 50 مستشعراً مرتبة وفق نمط "العالم الصغير"، تماماً كما يتصل الناس في بلدة ما. قام بحقن أربعة أنواع مختلفة من "الأمراض" في المستشعرات: بعضها توقف عن الحركة ببساطة (stuck-at)، وبعضها بدأ يصرخ بضوضاء عشوائية، وبعضها بدأ يكذب بإضافة أرقام زائدة (gain/offset)، وبعضها ظل سليماً. أجرى المحاكاة 10 مرات لمستويات مختلفة من الفوضى ليرى مدى كفاءة هذا الفريق الهجين الجديد مقارداً بالحرس القديم.

إليك المفاجأة: بينما يبدو أن دمج هذين الأسلوبين القويين هو فوز مضمون، إلا أن النتائج كانت أكثر تواضعاً من قصة الأبطال الخارقين. في هذه المحاكاة، نجح نظام BRB-GNN الجديد في تحديد المستشعرات المعطلة بشكل صحيح بنسبة 25.23% تقريباً (مع هامش خطأ ضئيل قدره ±1.07%). ولو وضعت ذلك في الاعتبار، فإذا كنت تخمن عشوائياً في سؤال من أربعة خيارات، فستحصل على الإجابة الصحيحة بنسبة 25% تقريباً. يشير البحث إلى أنه من حيث الدقة الخام، لم يتفوق هذا النظام الجديد بشكل كبير على الطرق الأخرى أو حتى على التخمين العشوائي في هذا الاختبار المحدد. في الواقع، كان النظام متلهفاً جداً لإيجاد المشكلات لدرجة أنه أطلق إنذاراً كاذباً (بقوله إن مستشعراً سليماً معطل) بنسبة 70.93% من المرات.

ومع ذلك، يجادل البحث بأن النصر الحقيقي ليس في لوحة النتائج الخاصة بـ "كم عدد الأعطال التي تم ضبطها"، بل في قسم "كيف عرفنا ذلك؟". يستبعد البحث صراحةً فكرة أننا يجب أن نستخدم محققي الذكاء الاصطناعي (الصناديق السوداء) وحدهم لأنهم لا يستطيعون شرح أنفسهم. بدلاً من ذلك، يتألق نظام BRB-GNN لأنه يفكك عملية صنع القرار إلى قواعد واضحة وقابلة للتتبع. على سبيل المثال، أظهر النظام أن قاعدة واحدة محددة كانت مسؤولة عن كشف أعطال "الزيادة/الإزاحة" (gain/offset) بنسبة 38.3% من المرات، بينما تعاملت قاعدة أخرى مع أعطال "التوقف عن الحركة" (stuck-at). وهذا يعني أن مهندساً بشرياً يمكنه النظر إلى سجل النظام والقول: "آه، القاعدة رقم 3 تم تفعيلها لأن المستشعر كان يضيف حرارة زائدة"، بدلاً من مجرد رؤية رسالة غامضة تقول "تم اكتشاف عطل".

كما اختبر المؤلف نظامهم على بيانات حقيقية من مختبر إنتل بيركلي، والتي احتوت على قراءات فعلية لدرجة الحرارة والرطوبة. في هذا السيناريو الواقعي، حقق النظام معدل اكتشاف صحيح بنسبة 25% مع معدل إنذار كاذب بنسبة 0%. ومع ذلك، يوضح البحث بحذر أن هذه النتيجة تحتاج إلى مزيد من التحقق؛ فمعدل الإنذار الكاذب بنسبة 0% قد يعني أن النظام ببساطة توقع أن كل مستشعر طبيعي (تنبؤ متدهور/degenerate) بدلاً من تحديد الأعطال فعلياً. إن تقديم تقارير كاملة لكل فئة (per-class reporting) مطلوب قبل الوثوق بهذه النتيجة كدليل على التعميم.

في النهاية، يشير هذا البحث إلى أنه بينما قد لا يكون إطار عمل BRB-GNN حلاً سحرياً يحل جميع مشكلات الكشف فوراً، إلا أنه نجح في بناء جسر بين الذكاء الاصطناعي عالي التقنية والفهم البشري. إنه يثبت أنه يمكنك امتلاك نظام يرسم العلاقات المعقدة للشبكة و يحتفظ بسجل واضح ومنطقي لعملياته. ويخلص المؤلف إلى أن القيمة الحقيقية تكمن في هذه القدرة على التفسير — أي منح المهندسين الأدوات للثقة في تشخيص الآلة لأنهم يستطيعون رؤية كتاب القواعد الكامن وراء القرار، حتى لو كانت الآلة لا تزال بحاجة إلى التحسن في عدم "الاستغاثة بالذئب" (الإنذار الكاذب) كثيراً.