En el món dels sistemes crítics per a la seguretat, com el control de vehicles autònoms, la gestió d'infraestructures energètiques o els dispositius mèdics, la capacitat de verificar formalment el comportament d'un sistema és essencial. Una de les eines més potents per a aquesta tasca és la Lògica Temporal Lineal (LTL, per les sigles en anglès), un llenguatge formal que permet descriure propietats que s'han de complir al llarg del temps, com 'sempre que ocorre un esdeveniment A, eventualment ocorre B' o 'mai ha d'ocórrer C'. Aprendre aquestes especificacions a partir de demostracions o traces del sistema és una àrea de recerca activa, però sorgeix un desafiament fonamental: què passa quan les demostracions són incertes o incompletes?
Tradicionalment, els mètodes d'aprenentatge de LTL assumeixen que les traces proporcionades són correctes o que els errors són només de classificació. No obstant això, en entorns reals, els sensors poden fallar, les mesures poden contenir soroll, o es poden perdre dades durant la transmissió. Això introdueix incertesa que, si no es gestiona adequadament, pot portar a especificacions incorrectes i, en última instància, a fallades catastròfiques. La nostra proposta es basa en un marc innovador que modela la incertesa mitjançant la distància de Hamming, generant estimacions plausibles al voltant de cada traça observada. Després, aquestes estimacions s'agrupen amb restriccions que exigeixen que almenys una traça per grup sigui consistent amb la fórmula LTL apresa. El problema es redueix a una optimització pseudo-booleana, permetent obtenir fórmules mínimes que s'alineen millor amb l'especificació real subjacent.
Aquest enfocament no només té implicacions acadèmiques, sinó que ofereix un valor tangible per a empreses que desenvolupen programari i sistemes intel·ligents. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, estem compromesos amb la creació de solucions robustes i fiables. La nostra experiència en aplicacions a mida ens ha ensenyat que la qualitat de la dada i la gestió de la incertesa són factors crítics per a l'èxit de qualsevol projecte. Aprendre especificacions temporals a partir de dades incertes encaixa perfectament amb les nostres àrees d'especialització, com la intel·ligència artificial, la ciberseguretat i el cloud computing.
La integració de tècniques avançades d'aprenentatge de LTL en el desenvolupament de agents IA permet que aquests sistemes no només aprenguin de l'experiència, sinó que ho facin de manera segura i verificable. Per exemple, un agent autònom que opera en un magatzem ha de complir regles de seguretat que es poden extreure de demostracions amb sensors imperfectes. El nostre marc ajuda a obtenir aquestes regles fins i tot quan les dades contenen errors. Això és especialment rellevant en entorns cloud, on els serveis d'AWS o Azure proporcionen la infraestructura necessària per processar grans volums de traces i executar algorismes d'optimització. A Q2BSTUDIO oferim serveis cloud amb AWS i Azure que faciliten aquest tipus d'anàlisi.
La ciberseguretat també es beneficia d'aquesta tècnica. Les especificacions temporals poden descriure comportaments maliciosos o anomalies al sistema. En aprendre aquestes especificacions a partir de traces incertes, podem generar regles de detecció més precises que s'adaptin a les condicions reals de la xarxa. A Q2BSTUDIO, el nostre equip de ciberseguretat utilitza metodologies de pentesting i anàlisi de vulnerabilitats que es poden complementar amb la verificació formal de propietats temporals. La capacitat de manejar incertesa és clau per no generar falsos positius ni passar per alt amenaces reals.
Un altre àmbit on aquesta recerca té impacte és en la intel·ligència de negoci i l'anàlisi de dades. Les especificacions LTL poden modelar patrons temporals en sèries temporals de vendes, inventaris o comportament d'usuaris. Si les dades històriques contenen llacunes o errors de mesura, el nostre enfocament permet extreure regles fiables. A Q2BSTUDIO oferim solucions de Business Intelligence amb Power BI que ajuden les empreses a visualitzar i entendre aquests patrons, però la generació automàtica d'especificacions a partir de dades incertes portaria l'anàlisi a un altre nivell, automatitzant la detecció de regles de negoci ocultes.
El procés d'aprenentatge comença amb la recopilació de traces del sistema, que poden provenir de logs, sensors o simulacions. Cada traça és una seqüència d'estats o esdeveniments. El nostre algorisme genera, per a cada traça, un conjunt de traces plausibles dins d'una distància de Hamming determinada, cosa que reflecteix la incertesa del sensor. Després, mitjançant restriccions de grup, ens assegurem que almenys una d'aquestes traces candidates sigui consistent amb la fórmula final. L'optimització pseudo-booleana busca la fórmula més petita possible que satisfaci totes les restriccions, utilitzant variables booleanes per representar la presència o absència d'operadors i proposicions. Aquest enfocament és computacionalment manejable per a problemes de mida moderada i pot escalar amb l'ajuda de tècniques de relaxació o poda.
Comparat amb mètodes anteriors que assumeixen dades perfectes o només errors de classificació, el nostre marc és més robust davant del soroll real. Per exemple, en un experiment amb dades d'un vehicle autònom, on els sensors de distància poden fallar intermitentment, el nostre mètode va recuperar especificacions de seguretat amb una precisió significativament més gran que les alternatives. Això demostra que la inversió en gestionar la incertesa es tradueix en sistemes més fiables.
A Q2BSTUDIO, oferim serveis d'automatització de processos que es poden beneficiar d'aquesta capacitat. Automatitzar la verificació de propietats temporals a partir de dades incertes permet que els processos s'adaptin dinàmicament a condicions canviants sense sacrificar la seguretat. Per exemple, una línia de producció que utilitza sensors pot aprendre regles de seqüència correcta fins i tot quan alguns sensors reporten valors erronis. Això s'alinea amb la nostra oferta de automatització de processos.
Finalment, la combinació de LTL amb intel·ligència artificial i cloud computing obre la porta a sistemes autònoms que es milloren a si mateixos. Els agents IA poden re-aprendre les seves especificacions a mesura que reben noves dades, adaptant-se a entorns no estacionaris. A Q2BSTUDIO, desenvolupem solucions d'IA que integren aprenentatge automàtic i raonament formal, oferint als nostres clients un avantatge competitiu real. La incertesa no és un obstacle, sinó una dada més que podem modelar i explotar.
