SYSTEMY EKSPERTOWE: HISTORIA, CHARAKTERYSTYKA, ZALETY, WADY - TECHNOLOGIA - 2025

Te systemy eksperckie są zdefiniowane jako systemy, które naśladować zdolności decyzyjnych eksperta ludzi w danej dziedzinie. Wykorzystują zarówno strategie heurystyczne, jak i fakty, aby rozwiązywać złożone problemy związane z podejmowaniem decyzji w sposób niezawodny i interaktywny.

Mają na celu rozwiązywanie bardzo złożonych problemów poprzez wnioskowanie w oparciu o bazy wiedzy. Zamiast być reprezentowane przez kod proceduralny, są zasadniczo reprezentowane przez reguły Jeśli-To.

Źródło: pixabay.com

Potrafią wypowiadać się i rozumować w jakiejś dziedzinie wiedzy, co pozwala im rozwiązać wiele problemów, które generalnie wymagałyby ludzkiego eksperta. Systemy ekspertowe były poprzednikami dzisiejszych systemów sztucznej inteligencji, uczenia głębokiego i uczenia maszynowego.

System ekspercki nie może zastąpić ogólnej wydajności pracownika w rozwiązywaniu problemów. Mogą jednak drastycznie zmniejszyć ilość pracy, jaką jednostka musi wykonać, aby rozwiązać problem, pozostawiając kreatywne i innowacyjne aspekty rozwiązywania problemów ludziom.

Odgrywają ważną rolę w wielu branżach, takich jak usługi finansowe, telekomunikacja, opieka zdrowotna, obsługa klienta, gry wideo i produkcja.

Pojemność systemu

System ekspercki obejmuje dwa podsystemy: bazę wiedzy, która zawiera zgromadzone fakty i doświadczenie oraz silnik wnioskowania, który jest zbiorem reguł, które należy zastosować do bazy wiedzy lub znanych faktów w każdej konkretnej sytuacji, aby wydedukować nowe. dzieje.

Możliwości systemu można rozszerzyć za pomocą dodatków do bazy wiedzy lub zestawu reguł.

Na przykład dzisiejsze systemy eksperckie mogą również mieć zdolność uczenia się automatycznie, co pozwala im poprawiać swoje wyniki w oparciu o doświadczenie, tak jak robią to ludzie.

Ponadto nowoczesne systemy mogą łatwiej uwzględniać nową wiedzę, a tym samym być łatwo aktualizowane. Takie systemy mogą lepiej generalizować na podstawie istniejącej wiedzy i obsługiwać duże ilości złożonych danych.

Historia

- Wstępne zmiany

Pod koniec lat pięćdziesiątych XX wieku zaczęto eksperymentować z możliwością wykorzystania technologii komputerowej do naśladowania podejmowania decyzji przez ludzi. Na przykład zaczęto tworzyć systemy wspomagane komputerowo do zastosowań diagnostycznych w medycynie.

Te wstępne systemy diagnostyczne wprowadzały do ​​systemu objawy pacjenta i wyniki badań laboratoryjnych, aby w rezultacie wygenerować diagnozę. Były to pierwsze formy systemów ekspertowych.

- Główne zmiany

We wczesnych latach sześćdziesiątych opracowano programy, które rozwiązywały dobrze zdefiniowane problemy. Na przykład gry lub tłumaczenia maszynowe.

Programy te wymagały inteligentnych technik rozumowania, aby poradzić sobie z przedstawionymi problemami logicznymi i matematycznymi, ale nie wymagały dodatkowej wiedzy.

Badacze zaczęli zdawać sobie sprawę, że aby rozwiązać wiele interesujących problemów, programy musiały nie tylko umieć je interpretować, ale także posiadać podstawową wiedzę, aby je w pełni zrozumieć.

Doprowadziło to stopniowo do rozwoju systemów eksperckich, które były bardziej skoncentrowane na wiedzy.

Koncepcja systemów ekspertowych została formalnie opracowana w 1965 roku przez Edwarda Feigenbauma, profesora na Uniwersytecie Stanforda w USA.

Feigenbaum wyjaśnił, że świat przechodził od przetwarzania danych do przetwarzania wiedzy dzięki nowej technologii procesorów i architekturach komputerowych.

Dendral

Pod koniec lat sześćdziesiątych XX wieku opracowano jeden z pierwszych systemów eksperckich, zwany Dendral, zajmujący się analizą związków chemicznych.

Wiedza Dendrala obejmowała setki reguł opisujących interakcje związków chemicznych. Zasady te były wynikiem wieloletniej współpracy chemików i informatyków.

- Dojrzałość

Systemy eksperckie zaczęły się mnożyć w latach 80. Wiele firm z listy Fortune 500 stosowało tę technologię w swojej codziennej działalności.

W latach 90. wielu dostawców aplikacji biznesowych, takich jak Oracle i SAP, zintegrowało możliwości systemów ekspertowych ze swoim pakietem produktów, aby wyjaśnić logikę biznesową.

cechy

- Poziom doświadczenia

System ekspercki musi oferować najwyższy poziom wiedzy. Zapewnia wydajność, precyzję i pomysłowe rozwiązywanie problemów.

- Reakcja na czas

Użytkownik współdziała z systemem eksperckim przez dość rozsądny czas. Czas tej interakcji musi być krótszy niż czas potrzebny ekspertowi na uzyskanie najdokładniejszego rozwiązania tego samego problemu.

- niezawodność

System ekspercki musi mieć dobrą niezawodność. Aby to zrobić, nie możesz popełniać błędów.

- Skuteczny mechanizm

System ekspertowy musi mieć sprawny mechanizm zarządzania istniejącym w nim kompendium wiedzy.

- Rozwiązuj problemy

System ekspercki musi być w stanie radzić sobie z trudnymi problemami i podejmować właściwe decyzje w celu dostarczenia rozwiązań.

- Składniki

Baza wiedzy

Jest to uporządkowany zbiór danych odpowiadający zakresowi doświadczenia systemu.

Poprzez wywiady i obserwacje z ludzkimi ekspertami należy zebrać fakty, które składają się na bazę wiedzy.

Silnik wnioskowania

Interpretuj i oceniaj fakty w bazie wiedzy za pomocą reguł, aby przedstawić zalecenie lub wnioski.

Ta wiedza jest reprezentowana w postaci reguł produkcji Jeśli-To: „Jeśli warunek jest prawdziwy, można dokonać następującego dedukcji”.

Wnioski

Często do konkluzji każdej reguły produkcji i do ostatecznego zalecenia dołączany jest współczynnik prawdopodobieństwa, ponieważ wyciągnięty wniosek nie jest absolutną pewnością.

Na przykład system ekspercki do diagnozy chorób oczu mógłby wskazać na podstawie dostarczonych informacji, że dana osoba ma jaskrę z prawdopodobieństwem 90%.

Można również pokazać sekwencję reguł, za pomocą których doszło do wniosku. Monitorowanie tego łańcucha pomaga ocenić wiarygodność rekomendacji i jest przydatne jako narzędzie edukacyjne.

Rodzaje

Oparte na regułach

W tym systemie wiedza jest reprezentowana jako zbiór reguł. Zasada jest bezpośrednim i elastycznym sposobem wyrażania wiedzy.

Reguła składa się z dwóch części: części „Jeśli”, zwanej warunkiem, oraz części „Wtedy”, zwanej dedukcją. Podstawowa składnia reguły to: Jeśli (warunek) Wtedy (odliczenie).

Oparty na logice rozmytej

Jeśli chcesz wyrazić wiedzę za pomocą niejasnych słów, takich jak „bardzo mało”, „średnio trudne”, „nie tak stara”, można użyć logiki rozmytej.

Ta logika służy do opisania nieprecyzyjnej definicji. Opiera się na założeniu, że wszystkie rzeczy są opisane w ruchomej skali.

Logika klasyczna operuje dwiema wartościami pewności: True (1) i False (0). W logice rozmytej wszystkie wartości pewności są wyrażane jako liczby rzeczywiste z zakresu od 0 do 1.

Logika rozmyta reprezentuje wiedzę opartą na pewnym stopniu prawdziwości, a nie na absolutnej prawdziwości logiki klasycznej.

Neuronalny

Korzyści z systemu eksperckiego opartego na regułach łączą również zalety sieci neuronowej, takie jak uczenie się, uogólnianie, niezawodność i równoległe przetwarzanie informacji.

Ten system ma neuronową bazę wiedzy, a nie tradycyjną bazę wiedzy. Wiedza jest przechowywana jako ciężary w neuronach.

To połączenie pozwala neuronowemu systemowi ekspertowemu uzasadnić swoje wnioski.

Rozproszone neurony

Logika rozmyta i sieci neuronowe to uzupełniające się narzędzia do budowy systemów ekspertowych.

Systemy rozmyte nie mają zdolności uczenia się i nie mogą przystosować się do nowego środowiska. Z drugiej strony, chociaż sieci neuronowe mogą się uczyć, ich proces jest bardzo skomplikowany dla użytkownika.

Systemy neuronowo-rozmyte mogą łączyć możliwości obliczeniowe i uczenia się sieci neuronowej z reprezentacją ludzkiej wiedzy i umiejętnościami wyjaśniania systemów rozmytych.

W rezultacie sieci neuronowe stają się bardziej przejrzyste, a rozmyty system staje się zdolny do uczenia się.

Korzyść

Dostępność

Systemy eksperckie są łatwo dostępne w dowolnym miejscu i czasie dzięki masowej produkcji oprogramowania.

Mniejsze ryzyko

Firma może obsługiwać system ekspercki w środowiskach niebezpiecznych dla ludzi. Mogą być używane w każdym niebezpiecznym środowisku, w którym ludzie nie mogą pracować.

Wiedza biznesowa

Mogą stać się narzędziem do rozwijania wiedzy organizacyjnej, w przeciwieństwie do wiedzy jednostek w firmie.

Odpowiedz wyjaśnienie

Potrafią odpowiednio wyjaśnić swój proces decyzyjny, szczegółowo przedstawiając uzasadnienie, które doprowadziło do odpowiedzi.

Używane jako narzędzia treningowe powodują szybszą naukę dla początkujących.

Szybka odpowiedź

Pomaga uzyskać szybkie i dokładne odpowiedzi. System ekspercki może wykonać część zadań znacznie szybciej niż ekspert-człowiek.

Niski poziom błędów

Wskaźnik błędów odnoszących sukcesy systemów eksperckich jest dość niski, czasami znacznie niższy niż współczynnik błędów ludzkich dla tego samego zadania.

Reakcja bez emocji

Systemy eksperckie działają bez ekscytacji. Nie napinają się, nie są zmęczeni ani nie wpadają w panikę i pracują stabilnie w sytuacjach awaryjnych.

Trwałość wiedzy

System ekspercki utrzymuje znaczny poziom informacji. Ta zawarta wiedza będzie trwać w nieskończoność.

Szybkie prototypowanie

Dzięki systemowi ekspertowemu możliwe jest wprowadzenie pewnych reguł i opracowanie prototypu w ciągu kilku dni, a nie miesięcy czy lat, które są zwykle kojarzone ze złożonymi projektami IT.

Wiele doświadczeń

System ekspercki może być zaprojektowany tak, aby zawierał wiedzę wielu wykwalifikowanych ekspertów, a tym samym miał zdolność rozwiązywania złożonych problemów.

Zmniejsza to koszty konsultowania się z ekspertami zajmującymi się rozwiązywaniem problemów. Są narzędziem do pozyskiwania trudnych do zdobycia źródeł wiedzy.

Niedogodności

Zdobywanie wiedzy

Zawsze trudno jest uzyskać czas ekspertów z poszczególnych dziedzin dla dowolnej aplikacji, ale w przypadku systemów ekspertowych jest to szczególnie trudne, ponieważ eksperci są wysoko cenieni i stale o nie proszeni przez organizacje.

W konsekwencji duża część badań w ostatnich latach koncentrowała się na narzędziach do zdobywania wiedzy, które pomagają zautomatyzować proces projektowania, debugowania i utrzymywania określonych przez ekspertów reguł.

Integracja systemu

Integracja systemów z bazami danych była trudna dla pierwszych systemów eksperckich, ponieważ narzędzia były głównie w językach i na platformach nieznanych w środowiskach korporacyjnych.

W rezultacie dołożono wszelkich starań, aby zintegrować narzędzia systemów eksperckich ze starszymi środowiskami, przenosząc je na bardziej standardowe platformy.

Problemy te zostały rozwiązane głównie przez zmianę paradygmatu, ponieważ komputery PC były stopniowo akceptowane w środowisku komputerowym jako legalna platforma do tworzenia poważnych systemów biznesowych.

Złożoność przetwarzania

Zwiększenie rozmiaru bazy wiedzy zwiększa złożoność przetwarzania.

Na przykład, jeśli system ekspercki ma 100 milionów reguł, jest oczywiste, że byłby zbyt złożony i napotkałby wiele problemów obliczeniowych.

Silnik wnioskowania musiałby być w stanie przetworzyć dużą liczbę reguł, aby podjąć decyzję.

Gdy jest zbyt wiele reguł, trudno jest również zweryfikować, czy te reguły decyzyjne są ze sobą spójne.

Trudno jest również ustalić priorytety stosowania reguł, aby działać wydajniej lub jak rozwiązywać niejednoznaczności.

Aktualizacja wiedzy

Jednym z problemów związanych z bazą wiedzy jest to, jak szybko i skutecznie aktualizować. A także, jak dodać nową wiedzę, czyli gdzie dodać ją wśród tylu reguł.

Aplikacje

Diagnoza i rozwiązywanie problemów

Zawiera podsumowanie wszystkich systemów wnioskujących o usterkę i sugeruje działania naprawcze dla nieprawidłowo działającego procesu lub urządzenia.

Jednym z pierwszych obszarów wiedzy, w którym zastosowano technologię systemów ekspertowych, była diagnostyka medyczna. Jednak diagnostyka systemów inżynierskich szybko wyprzedziła diagnostykę medyczną.

Diagnozę można wyrazić jako: biorąc pod uwagę przedstawione dowody, jaki jest podstawowy problem, przyczyna lub przyczyna?

Planowanie i harmonogramowanie

Te systemy eksperckie analizują zestaw celów, aby określić zestaw działań, które osiągają te cele, zapewniając szczegółową kolejność tych działań w czasie, biorąc pod uwagę materiały, personel i inne ograniczenia.

Przykłady obejmują obsadę linii lotniczych i planowanie lotów oraz planowanie procesu produkcyjnego.

Decyzje finansowe

Stworzono systemy doradztwa finansowego, aby pomóc bankierom w określeniu, czy udzielać pożyczek osobom fizycznym i firmom.

Firmy ubezpieczeniowe wykorzystują te systemy eksperckie do oceny ryzyka, jakie stwarza klient, a tym samym do ustalenia ceny ubezpieczenia.

Monitorowanie i kontrola procesów

Analizują dane z urządzeń fizycznych w czasie rzeczywistym, aby wykrywać anomalie, przewidywać trendy i kontrolować zarówno optymalizację, jak i korekcję błędów.

Przykłady takich systemów znajdują się w przemyśle rafineryjnym i stalowym.

Doradztwo w zakresie wiedzy

Podstawową funkcją tej aplikacji jest zapewnienie znaczącego wglądu w problem użytkownika w środowisku, w którym występuje ten problem.

Do tej kategorii należą dwa systemy ekspertowe, które są najbardziej rozpowszechnione na świecie.

Pierwszy z tych systemów to doradca, który doradza użytkownikowi w zakresie prawidłowego stosowania gramatyki w tekście.

Drugi to doradca podatkowy, który jest przyłączony do systemu przygotowywania podatków. Doradza użytkownikowi w zakresie strategii i poszczególnych polityk podatkowych.

Bibliografia

1. Guru99 (2019). System ekspercki w sztucznej inteligencji: co to jest, aplikacje, przykład. Zaczerpnięte z: guru99.com.
2. Wikipedia, wolna encyklopedia (2019). System ekspercki. Zaczerpnięte z: en.wikipedia.org.
3. Margaret Rouse (2019). System ekspercki. Techtarget. Zaczerpnięte z: searchchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). System ekspercki. Encyklopedia zaczerpnięta z: britannica.com.
5. Wtec (2019). Zastosowania systemów ekspertowych. Zaczerpnięte z: wtec.org.
6. Wirusowa Nagori (2014). Typy systemów eksperckich: studium porównawcze. Semantic Scholar Zaczerpnięte z: pdfs.semanticscholar.org.
7. Świat komputerów (2010). Systemy eksperckie. Zaczerpnięte z: intelligence.worldofcomputing.net.