БОЛЖАЛДЫ ҚЫЗМЕТ КӨРСЕТУДІҢ НЕЙРОНДЫҚ ЖЕЛІЛІК МОДЕЛЬДЕРІНІҢ БОЛЖАМДАРЫН ТҮСІНДІРУ ҮШІН EXPLAINABLE AI

Мақалада өнеркәсіптік жабдыққа болжамды қызмет көрсету жүйелеріндегі нейрондық желі модельдерінің болжамдарын түсіндіру үшін Explainable Artificial Intelligence (XAI) әдістерін қолдану қарастырылады. Зерттеудің мақсаты-техникалық ақауларды диагностикалау және болжау кезінде Машиналық оқыту нәтижелерінің ашықтығын, дәлдігін және сенімділігін арттыру. Жұмыста SHAP, LIME және Grad-CAM әдістері қолданылады, бұл модельдерді болжауға белгілердің үлесін визуализациялауға мүмкіндік береді. Қостанай автомобиль кластері кәсіпорындарының мысалында Explainable AI интеграциясы диагностиканың дұрыстығын 12-15%-ға арттыруға, жабдықтың жоспардан тыс тоқтап қалуын 13%-ға қысқартуға және инженерлердің әрекет ету уақытын 18%- ға қысқартуға мүмкіндік беретіні көрсетілген. Зерттеу машиналық оқытудың түсіндірілетін үлгілері Қазақстанда заттардың өнеркәсіптік интернетін (iiot) цифрландыру және енгізу шеңберінде Ашық шешімдер үшін негіз қалыптастыратынын көрсетеді. Ұсынылған тәсіл отандық техникалық қызмет көрсету жүйелерінің тиімділігі мен сенімділігін арттыруға ықпал ете отырып, «Цифрлық Қазақстан» және «жасанды интеллектті дамытудың 2029 жылға дейінгі тұжырымдамасы» бағдарламаларының стратегиялық бағыттарына сәйкес келеді.
Эксперименттік нәтижелер Қазақстан Республикасының автомобиль машина жасау өнеркәсіптік кәсіпорнының иесіздендірілген деректерінен алынды, бұл ұсынылған тәсілдің нақты өндірістік жағдайларда қолданылуын растайды.

1. Moosavi S. Explainable Artificial Intelligence (XAI) in cyber-physical production systems: A systematic review / S. Moosavi, A. Kor, M. Fathi // Journal of Manufacturing Systems. – 2024. – № 72. – Р. 130-152.

2. Li X. Hybrid CNN-LSTM architecture for predictive maintenance based on sensor time-series data / X. Li, Y. Li // Mechanical Systems and Signal Processing. – 2025. – № 208. – Р. 110987.

3. Cummins S. The role of explainable AI in industrial machine learning applications: A survey / S. Cummins, S. Anwar, M. Darwish // Engineering Applications of Artificial Intelligence. – 2023. – № 125. – Р. 106620.

4. Nor N.F.M. Explainable AI in prognostics and health management: Concepts, methods, and applications / N.F.M. Nor, M.A. Hussain, H.A. Rahman // IEEE Access. – 2021. – № 9. – Р. 152830-152845.

5. Lundberg S. A unified approach to interpreting model predictions (SHAP) / S. Lundberg, S.-I. Lee // Advances in Neural Information Processing Systems. – 2017. – № 30.

6. Ribeiro M.T. Why Should I Trust You? Explaining the predictions of any classifier (LIME) / M.T. Ribeiro, S. Singh, C. Guestrin // Proceedings of the 22nd ACM SIGKDD. – 2016. – Р. 1135-1144.

7. Hochreiter S. J. Long Short-Term Memory / S. Hochreiter, Schmidhuber, // Neural Computation. – 1997. – № 9(8). – Р. 1735-1780.

8. Zhang W. Intelligent fault diagnosis of rotating machinery using deep learning techniques / W. Zhang, D. Yang, H. Wang // Mechanical Systems and Signal Processing. – 2022. – № 170. – Р. 108965.

9. Ministry of Digital Development of Kazakhstan. Digital Kazakhstan State Program (2018-2025). Министерство цифрового развития РК. (официальный документ).

10. Government of the Republic of Kazakhstan. Concept for the Development of Artificial Intelligence in Kazakhstan until 2029 (2023). (утверждённая госпрограмма).