EXPERTSYSTEM: HISTORIK, EGENSKAPER, FÖRDELAR, NACKDELAR - TEKNOLOGI - 2025

De expertsystem definieras som system som emulerar beslutsprocessen förmågan hos en mänsklig expert inom ett visst område. De använder både heuristiska strategier och fakta för att lösa komplexa beslutsproblem på ett tillförlitligt och interaktivt sätt.

De är utformade för att lösa mycket komplexa problem, resonemang genom kunskapsbaser. I stället för att vara representerade av procedurregler representeras de i princip av If-Then-regler.

Källa: pixabay.com

De kan uttrycka sig och resonera om ett visst kunskapsområde, vilket gör att de kan lösa många problem som i allmänhet kräver en mänsklig expert. Expertsystem var föregångarna till dagens system för artificiell intelligens, djup inlärning och maskininlärning.

Ett expertsystem kan inte ersätta en arbetares totala prestanda när det gäller felsökning. De kan emellertid drastiskt minska mängden arbete som individen måste göra för att lösa ett problem, vilket lämnar de kreativa och innovativa aspekterna av problemlösning till människor.

De har spelat en viktig roll i många branscher, såsom finansiella tjänster, telekommunikation, sjukvård, kundservice, videospel och tillverkning.

Systemkapacitet

Ett expertsystem innehåller två delsystem: en kunskapsbas, som innehåller ackumulerade fakta och erfarenheter, och en slutsatsmotor, som är en uppsättning regler som ska tillämpas på kunskapsbasen eller kända fakta i varje speciell situation för att dra nyheter. fungerar.

Systemfunktioner kan förbättras med tillägg till kunskapsbasen eller regeluppsättningen.

Till exempel kan dagens expertsystem också ha möjlighet att lära sig automatiskt, vilket gör att de kan förbättra sina prestanda baserat på erfarenheter, precis som människor gör.

Dessutom kan moderna system lättare integrera ny kunskap och därmed lätt uppdateras. Sådana system kan bättre generalisera från befintlig kunskap och hantera stora mängder komplexa data.

Historia

- Inledande utveckling

I slutet av 1950-talet började experiment med möjligheten att använda datorteknologi för att emulera mänskligt beslutsfattande. Till exempel började datorstöda system skapas för diagnostiska applikationer inom medicinen.

Dessa initiala diagnostiska system skrev in patientsymtom och laboratorietestresultat i systemet för att generera en diagnos som resultat. Dessa var de första formerna av expertsystem.

- Huvudutvecklingen

I början av sextiotalet utvecklades program som löste väl definierade problem. Till exempel spel eller maskinöversättningar.

Dessa program krävde intelligenta resoneringstekniker för att hantera de logiska och matematiska problemen som presenterades, men de krävde inte mycket ytterligare kunskap.

Forskare började inse att för att lösa många intressanta problem, program inte bara behövde kunna tolka problemen, de behövde också grundläggande kunskap för att förstå dem fullt ut.

Detta ledde gradvis till utvecklingen av expertsystem, som var mer fokuserade på kunskap.

Begreppet expertsystem utvecklades formellt 1965 av Edward Feigenbaum, professor vid Stanford University, USA.

Feigenbaum förklarade att världen rörde sig från databehandling till kunskapsbehandling tack vare ny processorteknik och datorarkitekturer.

Dendral

I slutet av 1960-talet utvecklades ett av de första expertsystemen, kallad Dendral, som behandlade analysen av kemiska föreningar.

Dendrals kunskap bestod av hundratals regler som beskrev interaktioner mellan kemiska föreningar. Dessa regler var resultatet av många års samarbete mellan kemister och datavetare.

- Mognad

Expertsystem började sprida sig under 1980-talet. Många av Fortune 500-företagen använde denna teknik i sin dagliga affärsverksamhet.

Under 1990-talet integrerade många leverantörer av affärsapplikationer, såsom Oracle och SAP, expertkomponentsystemens funktioner i deras produktpaket, som ett sätt att förklara affärslogik.

egenskaper

- Erfarenhetsnivå

Ett expertsystem måste erbjuda högsta kompetensnivå. Ger effektivitet, precision och fantasifull problemlösning.

- Reaktion i tid

Användaren interagerar med expertsystemet under en ganska rimlig tidsperiod. Tiden för denna interaktion måste vara mindre än den tid som en expert tar för att få den mest exakta lösningen för samma problem.

- Tillförlitlighet

Expertsystemet måste ha god tillförlitlighet. För att göra detta får du inte göra några misstag.

- Effektiv mekanism

Expertsystemet måste ha en effektiv mekanism för att hantera kompendiet av kunskap som finns i det.

- Hantera problem

Ett expertsystem måste kunna hantera utmanande problem och fatta rätt beslut för att tillhandahålla lösningar.

- Komponenter

Kunskapsbas

Det är en organiserad insamling av data som motsvarar systemets erfarenhetsomfång.

Genom intervjuer och observationer med mänskliga experter måste de fakta som utgör kunskapsbasen tas.

Inferensmotor

Tolka och utvärdera fakta i kunskapsbasen genom regler för att ge en rekommendation eller slutsats.

Denna kunskap representeras i form av produktionsreglerna If-Then: "Om ett villkor är sant, kan följande avdrag göras."

Slutsatser

Ofta är en sannolikhetsfaktor kopplad till slutet av varje produktionsregel och till den slutliga rekommendationen, eftersom slutsatsen som nås inte är en absolut säkerhet.

Till exempel kan ett expertsystem för diagnos av ögonsjukdomar indikera, baserat på den information som lämnats, att en person har glaukom med en sannolikhet på 90%.

Dessutom kan sekvensen av regler genom vilka slutsatsen nåddes visas. Övervakning av denna kedja hjälper till att bedöma rekommendationens trovärdighet och är användbart som ett lärande verktyg.

typer

Regelbaserad

I detta system representeras kunskap som en uppsättning regler. Regeln är ett direkt och flexibelt sätt att uttrycka kunskap.

Regeln består av två delar: "If" -delen, kallad villkoret, och "Då" -delen, kallad avdraget. Den grundläggande syntaxen för en regel är: Om (villkor) Sedan (avdrag).

Baserat på fuzzy logik

När du vill uttrycka kunskap med vaga ord som "väldigt lite", "måttligt svårt", "inte så gammalt", kan fuzzy logik användas.

Denna logik används för att beskriva en opriktig definition. Det bygger på idén att alla saker beskrivs i en glidande skala.

Klassisk logik fungerar med två säkerhetsvärden: Sann (1) och Falsk (0). I fuzzy logik uttrycks alla säkerhetsvärden som verkliga siffror i intervallet 0 till 1.

Fuzzy logik representerar kunskap baserad på en grad av sanningsenhet, snarare än den absoluta sanningsenheten i klassisk logik.

neuronal

Fördelarna med det regelbaserade expertsystemet kombinerar också fördelarna med det neurala nätverket, såsom inlärning, generalisering, robusthet och parallell informationsbehandling.

Detta system har en neural kunskapsbas snarare än den traditionella kunskapsbasen. Kunskap lagras som vikter i neuroner.

Denna kombination gör det möjligt för neurala expertsystem att motivera sina slutsatser.

Neuronal-diffus

Fuzzy logik och neurala nätverk är kompletterande verktyg för att bygga expertsystem.

Fuzzy system saknar förmågan att lära sig och kan inte anpassa sig till en ny miljö. Å andra sidan, även om neurala nätverk kan lära sig, är deras process mycket komplicerad för användaren.

Neural-fuzzy system kan kombinera beräknings- och inlärningsmöjligheterna i det neurala nätverket med representation av mänsklig kunskap och förklaringsfärdigheterna i fuzzy systems.

Som ett resultat blir neurala nätverk mer öppna medan det fuzzy systemet kan lära sig.

Fördel

Tillgänglighet

Expertsystem är lätt tillgängliga var som helst och när som helst på grund av massproduktion av programvaran.

Minskad risk

Ett företag kan driva ett expertsystem i miljöer som är farliga för människor. De kan användas i alla farliga miljöer där människor inte kan arbeta.

Affärskunskap

De kan bli ett medel för att utveckla organisationskunskap, i motsats till kunskapen hos individer i ett företag.

Svara på förklaring

De kan ge en tillräcklig förklaring av sina beslutsfattande och i detalj uttrycka resonemanget som ledde till ett svar.

När de används som träningsverktyg resulterar de i en snabbare inlärningskurva för nybörjare.

Snabbt svar

Hjälper till att få snabba och exakta svar. Ett expertsystem kan slutföra sin del av uppgifterna mycket snabbare än en mänsklig expert.

Låg felhastighet

Felfrekvensen för framgångsrika expertsystem är ganska låg, ibland mycket lägre än den mänskliga felfrekvensen för samma uppgift.

Känslomlöst svar

Expertsystem fungerar utan att bli upphetsade. De blir inte spända, trötta eller få panik och de arbetar stadigt under nödsituationer.

Kunskapspermanens

Expertsystemet upprätthåller en betydande informationsnivå. Denna innehållande kunskap kommer att pågå på obestämd tid.

Snabb prototypning

Med ett expertsystem är det möjligt att ange några regler och utveckla en prototyp på dagar, snarare än de månader eller år som vanligtvis är förknippade med komplexa IT-projekt.

Flera upplevelser

Expertsystemet kan utformas för att innehålla kunskap från många kvalificerade experter och därmed ha förmågan att lösa komplexa problem.

Detta minskar kostnaderna för att konsultera experter med problemlösning. De är ett medel för att få kunskapskällor som är svåra att få.

nackdelar

Kunskapsförvärv

Det är alltid svårt att få tid för experter inom specifika områden för någon programapplikation, men för expertsystem är det särskilt svårt, eftersom experter är högt uppskattade och ständigt begärda av organisationer.

Som en konsekvens har en stor mängd forskning under senare år fokuserat på verktyg för kunskapsinhämtning, som hjälper till att automatisera processen för design, felsökning och underhåll av reglerna som definierats av experter.

Systemintegration

Integrationen av system med databaser var svår för de första expertsystemen, eftersom verktygen främst var på språk och plattformar som inte var kända i företagsmiljöer.

Som ett resultat gjordes en stor ansträngning för att integrera expertsystemverktyg med gamla miljöer, vilket gjorde överföringen till mer standardplattformar.

Dessa problem löstes främst genom paradigmskiftet, eftersom PC: er gradvis accepterades i datormiljön som en legitim plattform för utveckling av seriösa affärssystem.

Bearbetar komplexitet

Att öka storleken på kunskapsbasen ökar komplexiteten i behandlingen.

Till exempel, om ett expertsystem har 100 miljoner regler är det uppenbart att det skulle vara för komplicerat och det kommer att få många beräkningsproblem.

En inferensmotor måste kunna bearbeta ett stort antal regler för att fatta ett beslut.

När det finns för många regler är det också svårt att kontrollera att dessa beslutsregler överensstämmer med varandra.

Det är också svårt att prioritera användningen av reglerna för att fungera mer effektivt eller hur man löser tvetydigheter.

Kunskapsuppdatering

Ett problem relaterat till kunskapsbasen är hur man gör uppdateringar snabbt och effektivt. Hur man lägger till ny kunskap, det vill säga var man ska lägga till den bland så många regler.

tillämpningar

Diagnos och felsökning

Den sammanfattar alla felaktiga system och föreslår korrigerande åtgärder för en felaktig process eller enhet.

Ett av de första kunskapsområden där expertsystemsteknologi tillämpades var medicinsk diagnos. Emellertid överträffade diagnostik av systemsystemdiagnostik snabbt medicinsk diagnostik.

Diagnosen kan uttryckas som: med tanke på de framlagda bevisen, vad är det underliggande problemet, orsaken eller orsaken?

Planering och schemaläggning

Dessa expertsystem analyserar en uppsättning mål för att bestämma en uppsättning åtgärder som uppnår dessa mål, och ger en detaljerad beställning av dessa åtgärder över tid, med tanke på material, personal och andra begränsningar.

Exempel inkluderar flygpersonal och flygplanering och planering av tillverkningsprocesser.

Ekonomiska beslut

Ekonomiska rådgivningssystem har skapats för att hjälpa bankirer att avgöra om de ska låna till individer och företag.

Försäkringsbolag använder dessa expertsystem för att bedöma risken som klienten presenterar och därmed bestämma försäkringspriset.

Processövervakning och kontroll

De analyserar data från fysiska enheter i realtid för att märka avvikelser, förutsäga trender och kontrollera både optimering och felkorrigering.

Exempel på dessa system är inom oljeraffinering och stålindustri.

Kunskapsrådgivning

Den primära funktionen för denna applikation är att ge en meningsfull insikt i användarens problem, inom miljön för det problemet.

De två expertsystemen som är mest spridda över hela världen tillhör denna kategori.

Det första av dessa system är en rådgivare som informerar användaren om korrekt användning av grammatik i en text.

Den andra är en skatterådgivare som är kopplad till ett system för att förbereda skatter. Informerar användaren om strategin och särskild skattepolicy.

referenser

1. Guru99 (2019). Expertsystem för konstgjord intelligens: Vad är, applikationer, exempel. Hämtad från: guru99.com.
2. Wikipedia, gratis encyklopedi (2019). Expertsystem. Hämtad från: en.wikipedia.org.
3. Margaret Rouse (2019). Expertsystem. Techtarget. Hämtad från: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Expertsystem. Encyclopaedia Hämtad från: britannica.com.
5. Wtec (2019). Applications of Expert Systems. Hämtad från: wtec.org.
6. Viral Nagori (2014). Typer av expertsystem: Jämförande studie. Semantic Scholar Hämtad från: pdfs.semanticscholar.org.
7. World of Computing (2010). Expert system. Hämtad från: intelligence.worldofcomputing.net.