Исследователи представили концепцию интеграции графов знаний и объяснимого ИИ (XAI) для оптимизации городского майнинга — процесса извлечения ценных материалов из зданий перед их сносом. В отличие от стандартных моделей, ориентированных на точность прогнозов, предложенный подход ставит во главу угла обоснованность решений, их прозрачность, проверяемость источников и возможность аудиторского контроля в рамках регуляторных требований.
Городской майнинг требует строгого аудита, где ответственность за итоговое решение всегда остается за квалифицированным специалистом. Использование графов знаний позволяет структурировать данные о материалах и конструкциях зданий, делая их доступными для машинной обработки. В сочетании с методами объяснимого ИИ это дает аудиторам инструмент, который не просто выдает результат, а предоставляет логическую цепочку доказательств для каждого вывода.
Такая архитектура решает проблему «черного ящика» в критически важных отраслях, где цена ошибки высока, а нормативные требования к отчетности жестко регламентированы. Система позволяет специалистам легко верифицировать рекомендации ИИ, сопоставляя их с реальными данными о составе строительных объектов, что повышает доверие к автоматизированным процессам в управлении ресурсами и экономике замкнутого цикла.
Ключевые факты
- Основная цель системы — обеспечение «защищаемости» решений, включая их читаемость, правдоподобность и возможность оспаривания.
- Графы знаний используются как семантическая база для хранения информации о материалах, что критично для аудита перед сносом зданий.
- Методология ориентирована на поддержку экспертов-аудиторов, а не на полную замену человеческого суждения автоматикой.
- Исследование подчеркивает, что в промышленном секторе метрика точности прогнозов вторична по сравнению с прозрачностью логики принятия решений.