用户对智能应用的可解释性需求驱动显式联系：工业领域应用场景需求分析

用户对智能应用的可解释性需要驱动我们在问题上下文、领域知识和机器学习模型间建立显式的联系。本文以工业领域应用场景为例，介绍智能应用需求分析的主要步骤和领域知识体系。例如如何通过人类可理解的建模方式来定义业务对象的属性和相关关系，如状态机、业务流程图、自动机、实体关系图等，以及如何用工业自动化和控制领域的模型来分析实时反应式系统等。在许多科学和工程相结合的领域中，有特定的数学、物理或化学反应过程模型，如机械工程中的力学模型、化工过程中的化学反应和工艺流程、建筑工程中的结构力学模型等。这些模型表示为数学方程、符号系统、因果网络、结构或动态行为的 3 维仿真建模等[9]。领域知识的显式表达是我们进行工业应用场景需求分析的重要基础，也是对系统设计进行形式化需求验证的工具[10]。

在软件需求工程中，分析师采用多种需求建模方法指导需求工程师完成需求的获取，并用来描述与领域知识体系相关的系统结构和行为约束。例如，面向目标的需求建模方法以用户和设计者的意图和目标为起点，然后通过目标分解和逐级细化所需系统的成功条件和验收标准[11]。在充分理解目标后，需求工程师采用统一建模语言（UML）和系统建模语言的多种图形化模型（SysML）[12]等工具，建立形式化、半形式化的业务模型，以此对领域知识体系所涉及的系统结构和行为模型等开展设计工作。跨行业数据挖掘标准流程（CRISP-DM）[13]将业务理解、数据理解作为数据驱动开发过程中 2 个独立的步骤。当我们在系统解决方案中引入机器学习技术，尤其是大数据驱动的深度学习技术时，数据理解对于模型可解释性有重要影响。在需求分析阶段，数据模型的定义与可视化分析是获取可解释性依据的重要手段。例如，对时序数据的周期性分析、对多个数据特征的相关性分析等。

简单总结下这段话内容：这段话总结了在智能应用中，用户对可解释性的需求如何驱动问题上下文、领域知识和机器学习模型之间建立显式的联系。以工业领域应用场景为例，介绍了智能应用需求分析的主要步骤和领域知识体系。

在需求分析过程中，需要通过人类可理解的建模方式来定义业务对象的属性和相关关系，例如状态机、业务流程图、自动机、实体关系图等。同时，工业自动化和控制领域的模型可以用于分析实时反应式系统。在科学和工程领域中，还存在特定的数学、物理或化学反应过程模型，如力学模型、化学反应和工艺流程、结构力学模型等。

领域知识的显式表达是工业应用场景需求分析的重要基础，也是对系统设计进行形式化需求验证的工具。需求分析中的多种建模方法可以指导需求工程师进行需求获取，并描述与领域知识体系相关的系统结构和行为约束。例如，面向目标的需求建模方法以用户和设计者的意图和目标为起点，通过目标分解和逐级细化来定义系统的成功条件和验收标准。统一建模语言（UML）和系统建模语言（SysML）等图形化模型工具用于建立形式化、半形式化的业务模型，支持对领域知识体系涉及的系统结构和行为模型进行设计。

当引入机器学习技术，特别是大数据驱动的深度学习技术时，数据理解对于模型的可解释性起着重要作用。在需求分析阶段，数据模型的定义和可视化分析是获取可解释性依据的重要手段。例如，对时序数据的周期性分析和对多个数据特征的相关性分析等。

综上所述，这段话简要概述了用户对智能应用的可解释性需求如何驱动问题上下文、领域知识和机器学习模型之间的显式联系，并介绍了在工业领域应用场景中进行智能应用需求分析的主要步骤和领域知识体系。