EKSPERTSYSTEMER: HISTORIE, EGENSKAPER, FORDELER, ULEMPER - TEKNOLOGI - 2025

De ekspertsystemer er definert som systemer som etterligner den beslutningsprosessen evnen til en menneskelig ekspert på et bestemt felt. De bruker både heuristiske strategier og fakta for å løse komplekse beslutningsproblemer pålitelig og interaktivt.

De er designet for å løse svært komplekse problemer, resonnerer gjennom kunnskapsbaser. I stedet for å bli representert med prosedyre-kode, er de i utgangspunktet representert av If-Then-regler.

Kilde: pixabay.com

De er i stand til å uttrykke seg og resonnere om et visst kunnskapsområde, som lar dem løse mange problemer som vanligvis vil kreve en menneskelig ekspert. Ekspertsystemer var forgjengerne for dagens systemer for kunstig intelligens, dyp læring og maskinlæring.

Et ekspertsystem kan ikke erstatte en arbeidstagers samlede ytelse når det gjelder feilsøking. Imidlertid kan de drastisk redusere mengden arbeid den enkelte må gjøre for å løse et problem, og overlate de kreative og innovative aspektene ved problemløsing til mennesker.

De har spilt en viktig rolle i mange bransjer, for eksempel finansielle tjenester, telekommunikasjon, helsevesen, kundeservice, videospill og produksjon.

Systemkapasitet

Et ekspertsystem innlemmer to delsystemer: et kunnskapsgrunnlag, som inneholder akkumulerte fakta og erfaringer, og en inferensmotor, som er et sett med regler som skal gjelde kunnskapsbasen eller kjente fakta i hver spesielle situasjon, for å utlede nye. fungerer.

Systemfunksjoner kan forbedres med tillegg til kunnskapsbasen eller regelsettet.

For eksempel kan dagens ekspertsystemer også ha muligheten til å lære automatisk, slik at de kan forbedre ytelsen deres basert på erfaring, akkurat som mennesker gjør.

I tillegg kan moderne systemer lettere inkorporere ny kunnskap og dermed lett kunne oppdateres. Slike systemer kan bedre generalisere fra eksisterende kunnskap og håndtere store mengder komplekse data.

Historie

- Innledende utbygginger

På slutten av 1950-tallet begynte eksperimentering med muligheten til å bruke datateknologi for å etterligne menneskets beslutninger. For eksempel begynte datastøttede systemer å bli opprettet for diagnostiske applikasjoner i medisin.

Disse første diagnosesystemene la inn pasientsymptomer og laboratorietestresultater i systemet for å generere en diagnose som et resultat. Dette var de første formene for ekspertsystemer.

- Hovedutviklingen

På begynnelsen av sekstitallet ble det utviklet programmer som løste veldefinerte problemer. For eksempel spill eller maskinoversettelser.

Disse programmene krevde intelligente resonnementsteknikker for å håndtere de logiske og matematiske problemene som ble presentert, men de krevde ikke mye tilleggskunnskap.

Forskere begynte å innse at for å løse mange interessante problemer, programmer ikke bare måtte være i stand til å tolke problemene, de trengte også grunnleggende kunnskap for å forstå dem fullt ut.

Dette førte gradvis til utvikling av ekspertsystemer, som var mer fokusert på kunnskap.

Konseptet med ekspertsystemer ble formelt utviklet i 1965 av Edward Feigenbaum, professor ved Stanford University, USA.

Feigenbaum forklarte at verden gikk fra databehandling til kunnskapsbehandling, takket være ny prosessorteknologi og dataarkitekturer.

Dendral

På slutten av 1960-tallet ble et av de første ekspertsystemene, kalt Dendral, utviklet for å adressere analysen av kjemiske forbindelser.

Dendrals kunnskap besto av hundrevis av regler som beskrev interaksjonen mellom kjemiske forbindelser. Disse reglene var et resultat av mange års samarbeid mellom kjemikere og informatikere.

- Forfall

Ekspertsystemer begynte å spre seg i løpet av 1980-tallet. Mange av Fortune 500-selskapene brukte denne teknologien i sin daglige forretningsvirksomhet.

På 1990-tallet integrerte mange leverandører av forretningsapplikasjoner, for eksempel Oracle og SAP, funksjonaliteten til ekspertsystemer i deres pakke med produkter, som en måte å forklare forretningslogikk på.

kjennetegn

- Erfaringsnivå

Et ekspertsystem må tilby det høyeste nivået av kompetanse. Gir effektivitet, presisjon og fantasifull problemløsning.

- Reaksjon i tide

Brukeren samhandler med ekspertsystemet i en ganske rimelig periode. Tiden for dette samspillet må være mindre enn tiden en ekspert tar for å få den mest presise løsningen for det samme problemet.

- Pålitelighet

Ekspertsystemet må ha god pålitelighet. For å gjøre dette, må du ikke gjøre noen feil.

- Effektiv mekanisme

Ekspertsystemet må ha en effektiv mekanisme for å håndtere kompendiet av kunnskap som finnes i det.

- Håndter problemer

Et ekspertsystem må kunne håndtere utfordrende problemer og ta riktige beslutninger for å tilby løsninger.

- Komponenter

Kunnskapsbase

Det er en organisert samling av data som tilsvarer omfanget av erfaringene med systemet.

Gjennom intervjuer og observasjoner med menneskelige eksperter, må fakta som utgjør kunnskapsgrunnlaget tas.

Inferensmotor

Tolke og vurdere fakta i kunnskapsgrunnlaget gjennom regler, for å gi en anbefaling eller konklusjon.

Denne kunnskapen er representert i form av produksjonsregler for If-Then: "Hvis en betingelse er sann, kan følgende trekk gjøres."

konklusjoner

Ofte er en sannsynlighetsfaktor knyttet til konklusjonen av hver produksjonsregel og til den endelige anbefalingen, fordi konklusjonen som er oppnådd ikke er en absolutt sikkerhet.

For eksempel kan et ekspertsystem for diagnose av øyesykdommer indikere, basert på informasjonen som gis, at en person har glaukom med en sannsynlighet på 90%.

I tillegg kan sekvensen av regler som konklusjonen ble nådd vises. Overvåking av denne kjeden hjelper til med å vurdere anbefalingens troverdighet og er nyttig som læringsverktøy.

typer

Regelbasert

I dette systemet er kunnskap representert som et sett med regler. Regelen er en direkte og fleksibel måte å uttrykke kunnskap på.

Regelen består av to deler: “Hvis” -delen, kalt betingelsen, og “Da” -delen, kalt fradraget. Den grunnleggende syntaks for en regel er: Hvis (betingelse) Da (fradrag).

Basert på uklar logikk

Når du vil uttrykke kunnskap ved å bruke vage ord som "veldig lite", "moderat vanskelig", "ikke så gammelt", kan uklar logikk brukes.

Denne logikken brukes til å beskrive en upresis definisjon. Det er basert på ideen om at alle ting blir beskrevet i en glidende skala.

Klassisk logikk fungerer med to sikkerhetsverdier: True (1) and False (0). I uklar logikk blir alle sikkerhetsverdier uttrykt som reelle tall i området 0 til 1.

Uklar logikk representerer kunnskap basert på en grad av sannhet, snarere enn den absolutte sannheten i klassisk logikk.

neuronal

Fordelene med det regelbaserte ekspertsystemet kombinerer også fordelene ved det nevrale nettverket, for eksempel læring, generalisering, robusthet og parallell informasjonsbehandling.

Dette systemet har et nevralt kunnskapsgrunnlag, snarere enn det tradisjonelle kunnskapsgrunnlaget. Kunnskap lagres som vekter i nevroner.

Denne kombinasjonen lar det nevrale ekspertsystemet begrunne konklusjonene.

Neuronal-diffuse

Uklar logikk og nevrale nettverk er komplementære verktøy for å bygge ekspertsystemer.

Fuzzy systemer mangler evnen til å lære og kan ikke tilpasse seg et nytt miljø. På den annen side, selv om nevrale nettverk kan lære, er prosessen deres veldig komplisert for brukeren.

Neural-fuzzy systems kan kombinere data- og læringsmulighetene i det nevrale nettverket med representasjon av menneskelig kunnskap og forklaringsevnen til fuzzy systems.

Som et resultat blir nevrale nettverk mer transparente, mens det uklare systemet blir i stand til å lære.

Fordel

Tilgjengelighet

Ekspertsystemer er lett tilgjengelige hvor som helst og når som helst på grunn av masseproduksjon av programvaren.

Redusert risiko

Et selskap kan betjene et ekspertsystem i miljøer som er farlige for mennesker. De kan brukes i alle farlige omgivelser der mennesker ikke kan arbeide.

Forretningskunnskap

De kan bli et kjøretøy for å utvikle organisasjonskunnskap, i motsetning til kunnskapen til enkeltpersoner i et selskap.

Svar på forklaring

De er i stand til å gi en adekvat forklaring på beslutningen sin, og i detalj uttrykke begrunnelsen som førte til svar.

Når de brukes som treningsverktøy, resulterer de i en raskere læringskurve for nybegynnere.

Rask svar

Hjelper med å få raske og nøyaktige svar. Et ekspertsystem kan fullføre sin del av oppgavene mye raskere enn en menneskelig ekspert.

Lav feilrate

Feilprosenten for vellykkede ekspertsystemer er ganske lav, noen ganger mye lavere enn den menneskelige feilraten for den samme oppgaven.

Følelsesløs respons

Ekspertsystemer fungerer uten å bli begeistret. De blir ikke anspente, trette eller få panikk, og de jobber jevnt under nødsituasjoner.

Kunnskapsvarighet

Ekspertsystemet opprettholder et betydelig informasjonsnivå. Denne inneholdt kunnskapen vil vare på ubestemt tid.

Hurtig prototyping

Med et ekspertsystem er det mulig å legge inn noen regler og utvikle en prototype i løpet av dager, i stedet for månedene eller årene som vanligvis er forbundet med komplekse IT-prosjekter.

Flere opplevelser

Ekspertsystemet kan utformes for å inneholde kunnskapen fra mange kvalifiserte eksperter og dermed ha evnen til å løse komplekse problemer.

Dette reduserer kostnadene ved å konsultere eksperter med problemløsningskonsulenter. De er et redskap for å få kunnskapskilder som er vanskelige å få.

ulemper

Kunnskapsinnhenting

Det er alltid vanskelig å få tid til eksperter på spesielle felt for programvare, men for ekspertsystemer er det spesielt vanskelig, fordi eksperter er høyt verdsatt og kontinuerlig etterspurt av organisasjoner.

Som en konsekvens har en stor mengde forskning de siste årene fokusert på verktøy for innhenting av kunnskap, som hjelper til med å automatisere prosessen med design, feilsøking og vedlikehold av reglene definert av eksperter.

System integrasjon

Integrasjonen av systemene med databasene var vanskelig for de første ekspertsystemene, fordi verktøyene hovedsakelig var på språk og plattformer som ikke var kjent i bedriftsmiljøer.

Som et resultat ble det gjort en stor innsats for å integrere ekspertsystemverktøy med gamle miljøer, noe som gjorde overføringen til mer standard plattformer.

Disse problemene ble hovedsakelig løst ved paradigmeskiftet, ettersom PC-er gradvis ble akseptert i datamiljøet som en legitim plattform for utvikling av seriøse forretningssystemer.

Behandler kompleksitet

Å øke størrelsen på kunnskapsbasen øker kompleksiteten i behandlingen.

For eksempel, hvis et ekspertsystem har 100 millioner regler, er det åpenbart at det ville være for komplisert, og det vil møte mange beregningsproblemer.

En inferensmotor må være i stand til å behandle et stort antall regler for å ta en beslutning.

Når det er for mange regler, er det også vanskelig å verifisere at disse beslutningsreglene stemmer overens med hverandre.

Det er også vanskelig å prioritere bruken av reglene for å fungere mer effektivt, eller hvordan man kan løse uklarheter.

Kunnskapsoppdatering

Et problem relatert til kunnskapsgrunnlaget er hvordan du gjør oppdateringer raskt og effektivt. Hvordan du legger til ny kunnskap, det vil si hvor du kan legge den til blant så mange regler.

applikasjoner

Diagnose og feilsøking

Den oppsummerer alle feilkonferansesystemer og foreslår korrigerende handlinger for en feil prosess eller enhet.

Et av de første kunnskapsområdene der ekspert systemteknologi ble brukt, var medisinsk diagnose. Diagnostikk av ingeniørsystemer overgikk imidlertid raskt medisinsk diagnostikk.

Diagnosen kan uttrykkes som: gitt bevisene presentert, hva er det underliggende problemet, årsaken eller årsaken?

Planlegging og planlegging

Disse ekspertsystemene analyserer et sett med mål for å bestemme et sett med handlinger som oppnår disse målene, og gir en detaljert rekkefølge av disse handlingene over tid, med tanke på materialer, personell og andre begrensninger.

Eksempler inkluderer bemanning av flyselskaper og flyplanlegging og planlegging av produksjonsprosesser.

Økonomiske beslutninger

Det er opprettet økonomiske rådgivningssystemer som hjelper bankfolk med å bestemme om de skal gi lån til enkeltpersoner og selskaper.

Forsikringsselskaper bruker disse ekspertsystemene for å vurdere risikoen som klienten presenterer og dermed bestemme prisen på forsikring.

Prosessovervåking og kontroll

De analyserer data fra fysiske enheter i sanntid, for å legge merke til avvik, forutsi trender og kontrollere både optimalisering og feilretting.

Eksempler på disse systemene er i oljeraffinerings- og stålindustrien.

Kunnskapsrådgivning

Den primære funksjonen til denne applikasjonen er å gi meningsfull innsikt i brukerens problem, innenfor miljøet til dette problemet.

De to ekspertsystemene som er mest distribuert over hele verden tilhører denne kategorien.

Det første av disse systemene er en rådgiver som gir brukeren råd om riktig bruk av grammatikk i en tekst.

Den andre er en skatterådgiver som er knyttet til et system for utarbeidelse av skatt. Rådgiver brukeren om strategien og bestemte skatteregler.

referanser

1. Guru99 (2019). Ekspertsystem innen kunstig intelligens: Hva er, applikasjoner, eksempel. Hentet fra: guru99.com.
2. Wikipedia, gratis leksikon (2019). Ekspert system. Hentet fra: en.wikipedia.org.
3. Margaret Rouse (2019). Ekspert system. Techtarget. Hentet fra: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Ekspert system. Oppslagsverk hentet fra: britannica.com.
5. Wtec (2019). Bruken av ekspertsystemer. Hentet fra: wtec.org.
6. Viral Nagori (2014). Typer ekspertsystem: Sammenlignende studie. Semantic Scholar Hentet fra: pdfs.semanticscholar.org.
7. World of Computing (2010). Ekspertsystemer. Hentet fra: intelligence.worldofcomputing.net.