Ekspertsystemhistorie, egenskaper, fordeler, ulemper

De Ekspertsystemer De er definert som datasystemer som etterligner beslutningsevnen til en menneskelig ekspert på et bestemt område. De bruker både heuristiske strategier og fakta for å løse komplekse beslutningsproblemer pålitelig og interaktivt.

De er designet for å løse problemer med høy kompleksitet, resonnement gjennom kunnskapsbaser. I stedet for å være representert med en prosedyrebasert kode, gjør de det i utgangspunktet med Si-Then-regler.

Kilde: Pixabay.com

De er i stand til å uttrykke seg og resonnere om et kunnskapsfelt, som lar dem løse mange problemer som generelt vil kreve en menneskelig ekspert. Ekspertsystemer var forgjengerne til nåværende kunstige intelligenssystemer, dyp læring og automatisk læring.

Et ekspertsystem kan ikke erstatte den generelle ytelsen til en arbeider i problemløsningsoppgaven. Imidlertid kan de drastisk redusere mengden arbeid som individet må gjøre for å løse et problem, og etterlate folk de kreative og innovative aspektene ved problemløsning.

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

[TOC]

Systemkapasitet

Et ekspertsystem inneholder to delsystemer: et kunnskapsgrunnlag, som inneholder akkumulerte fakta og erfaring, og en inferensmotor, som er et sett med regler å gjelde for kunnskapsgrunnlaget eller fakta som er kjent i hver enkelt situasjon, for å utlede nye fakta.

Systemfunksjonene kan forbedres med tillegg til kunnskapsbasen eller reglene sett.

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

I tillegg kan moderne systemer integrere ny kunnskap lettere og dermed oppdateres ganske enkelt. Slike systemer kan bedre generalisere fra eksisterende kunnskap og håndtere store mengder komplekse data.

Historie

- Innledende utvikling

På slutten av 1950 -tallet begynte muligheten for å bruke datateknologi for å etterligne beslutningen -å lage mennesker. For eksempel begynte datamaskinassisterte systemer å bli opprettet for diagnostiske applikasjoner innen medisin.

Disse innledende diagnosesystemene kom inn i symptomene på pasienter og resultatene av laboratorietester for å generere en diagnose som et resultat. Dette var de første formene for ekspertsystemer.

- Hovedutviklingen

På begynnelsen av sekstitallet ble programmene utviklet som løste godt definerte problemer. For eksempel automatiske spill eller oversettelser.

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

Forskerne begynte å advare om at for å løse mange interessante problemer, måtte programmer ikke bare kunne tolke problemene, men også trengte grunnleggende kunnskap for å forstå dem fullstendig.

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

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

Feigenbaum forklarte at verden gikk fra databehandling til kunnskapsbehandling, takket være de nye prosessorene og datamaskinarkitektureteknologien.

Dendral

På slutten av sekstitallet ble et av de første ekspertsystemene utviklet, kalt Dendral, og adresserte analysen av kjemiske forbindelser.

Dendrals kunnskap besto av hundrevis av regler som beskrev interaksjonene mellom kjemiske forbindelser. Disse reglene var resultatet av mange års samarbeid mellom kjemikalier og datamaskin.

Kan tjene deg: Geometriske toleranser: Symboler, datum og eksempler

- Modenhet

Ekspertsystemer begynte å spre seg i løpet av åttitallet. Et stort antall Fortune 500 -selskaper brukte denne teknologien i deres daglige kommersielle aktiviteter.

På 1990 -tallet integrerte mange leverandører av forretningsapplikasjoner, som Oracle og SAP, kapasitetene til ekspertsystemer i deres produkter, som en måte å forklare forretningslogikk.

Kjennetegn

- Opplevelsesnivå

Et ekspertsystem må tilby det høyeste opplevelsesnivået. Gir effektivitet, presisjon og fantasifull løsning av problemer.

- Reaksjon i tide

Brukeren samhandler med ekspertsystemet i en ganske forsvarlig tidsperiode. Tidspunktet for dette samspillet må være mindre enn tiden for at en ekspert for det samme er en ekspert for å oppnå den mest nøyaktige løsningen.

- Pålitelighet

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

- Effektiv mekanisme

Ekspertsystemet må ha en effektiv mekanisme for å administrere kompendiet av eksisterende kunnskap i IT.

- Håndtere problemer

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

- Komponenter

Kunnskapsbase

Det er en organisert datainnsamling som tilsvarer systemet med systemopplevelse.

Gjennom intervjuer og observasjoner til menneskelige eksperter, må fakta som utgjør kunnskapsbasen tas.

Inferensmotor

Tolke og evaluere fakta i kunnskapsbasen gjennom regler, for å gi en anbefaling eller konklusjon.

Denne kunnskapen er representert i form av produksjonsregler Si-even: "Hvis en tilstand er sann, kan følgende fradrag gjøres".

Konklusjoner

En sannsynlighetsfaktor er ofte knyttet til konklusjonen av hver produksjonsregel og den endelige anbefalingen, fordi konklusjonen nådde ikke er en absolutt sikkerhet.

For eksempel kan et ekspertsystem for diagnose av okulære sykdommer indikere, i henhold til informasjonen som er gitt, at en person har glaukom med 90% sannsynlighet.

I tillegg kan sekvensen av regler vises som konklusjonen ble nådd. Overvåking av denne kjeden er med på å evaluere troverdigheten til anbefalingen og er nyttig som læringsverktøy.

Folkens

Basert på regler

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: den "ja" -delen, kalt tilstand, og den "da" delen, kalt fradrag. Den grunnleggende syntaks for en regel er: ja (tilstand) da (fradrag).

Basert på diffus logikk

Når du vil uttrykke kunnskap ved å bruke vage ord som "veldig liten", "moderat vanskelig", "ikke så gammel", kan diffus logikk brukes.

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

Klassisk logikk fungerer med to sikkerhetsverdier: True (1) og False (0). I diffus logikk uttrykkes alle sikkerhetsverdier med reelle tall innenfor intervallet mellom 0 og 1.

Diffus logikk representerer kunnskap basert på en grad av sannhet, i stedet for den absolutte sannheten i klassisk logikk.

Neuronal

Med fordelene med det reglerbaserte ekspertsystemet er fordelene med det nevronale nettverket også kombinert, for eksempel læring, generalisering, soliditet og parallell informasjonsbehandling.

Det kan tjene deg: nettverkstopologier: konsept, typer og deres egenskaper, eksempler

Dette systemet har et neuronalt kunnskapsgrunnlag, i stedet for det tradisjonelle kunnskapsgrunnlaget. Kunnskap lagres som pesos i nevroner.

Denne kombinasjonen lar det nevronale ekspertsystemet rettferdiggjøre konklusjonene.

Neuronal-difuso

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

Diffuse 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.

Neuronal-diffuse-systemer kan kombinere databehandlings- og læringsfunksjonene til det neuronale nettverket med representasjon av menneskelig kunnskap og forklaringsferdighetene til diffuse systemer.

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

Fordeler

Tilgjengelighet

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

Redusert risiko

Et selskap kan drifte en ekspert på miljøer som er farlige for mennesker. De kan brukes i ethvert risikomiljø der mennesker ikke kan jobbe.

Forretningskunnskap

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

Forklaring av svar

De er i stand til å gi en tilstrekkelig forklaring på beslutningen deres, og uttrykker i detalj begrunnelsen som førte dem til et svar.

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

Raskt svar

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

Lav feilrate

Feilraten for vellykkede ekspertsystemer er ganske lav, noen ganger mye lavere enn feilfrekvensen for mennesket for samme oppgave.

Svar uten følelser

Ekspertsystemer fungerer uten å bli begeistret. De setter ikke anspente, trette eller panikk, og jobber kontinuerlig under nødsituasjoner.

Varighet av kunnskap

Ekspertsystemet opprettholder et betydelig informasjonsnivå. Dette kunnskapsinnholdet vil vare på ubestemt tid.

Rask prototypeoppretting

Med et ekspertsystem er det mulig å legge inn noen regler og utvikle en prototype om dager, i stedet for månedene eller årene som ofte er assosiert med komplekse datamaskinprosjekter.

Flere opplevelser

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

Dette reduserer utgiftene til å ty til ekspertkonsulenter for problemløsning. De er et kjøretøy for å oppnå kunnskapskilder som er vanskelige å få.

Ulemper

Kunnskapsinnhenting

Det er alltid vanskelig å skaffe tid for eksperter på bestemte områder for alle programvare, men for ekspertsystemer er det spesielt vanskelig, fordi eksperter er høyt verdsatt og stadig bedt om av organisasjoner.

Som en konsekvens har en stor mengde forskning de siste årene konsentrert seg om verktøy for anskaffelse av kunnskap, som hjelper til med å automatisere prosessen med design, rensing og vedlikehold av reglene definert av eksperter.

System integrasjon

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

Kan tjene deg: teknisk produkt

Som et resultat ble det gjort en stor innsats for å integrere verktøyene til ekspertsystemer med arvelige miljøer, noe som gjør overføringen til flere standardplattformer.

Disse problemene ble hovedsakelig løst av endring av paradigme, siden PC -ene gradvis ble akseptert i datamiljøet som en legitim plattform for utvikling av alvorlige kommersielle systemer.

Behandlingskompleksitet

Ved å øke størrelsen på kunnskapsbasen øker kompleksiteten i behandlingen.

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

En inferensmotor skal kunne behandle et stort antall regler for å ta en beslutning.

Når det er for mange regler, er det også komplisert at disse beslutningsreglene er i samsvar med hverandre.

Det er også komplisert å prioritere bruken av reglene for å fungere mer effektivt, eller hvordan man løser uklarheter.

Kunnskapsoppdatering

Et problem relatert til kunnskapsbasen er hvordan du kan gjøre oppdateringer raskt og effektivt. I tillegg, hvordan du kan legge til en ny kunnskap, det vil si hvor du kan legge den til mellom så mange regler.

applikasjoner

Diagnose og problemløsning

Den oppsummerer alle systemer som utleder feil og foreslår korrigerende tiltak for en prosess eller enhet som fungerer dårlig.

Et av de første kunnskapsområdene der ekspertsystemteknologi ble brukt var medisinsk diagnose. Imidlertid overskred diagnosen ingeniøresystemer raskt medisinsk diagnose.

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

Planlegging og programmering

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

Eksempler inkluderer programmering av flyreiser og flypersonell, og produksjonsprosessplanlegging.

Økonomiske beslutninger

Det er opprettet økonomiske rådgivningssystemer for å hjelpe bankfolk med å bestemme om lån til enkeltpersoner og selskaper.

Forsikringsselskaper bruker disse ekspertsystemene for å evaluere risikoen som klienten presenterer og dermed bestemme forsikringsprisen.

Prosessovervåking og kontroll

De analyserer i sanntid dataene fra fysiske enheter, for å legge merke til anomalier, forutsi trender og kontrollere både optimalisering og feilkorreksjon.

Eksempler på disse systemene er i olje- og stålproduksjonsindustrien.

Kunnskapsråd

Den primære funksjonen til denne applikasjonen er å gi betydelig kunnskap for brukerens problem, innenfor miljøet til det problemet.

Til denne kategorien tilhører de to ekspertsystemene som er distribuert med større amplitude over hele verden.

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

Den andre er en finanspolitisk rådgiver som er knyttet til et system for å utarbeide skatter. Rådgiver brukeren om spesiell skattestrategi og retningslinjer.

Referanser

1. Guru99 (2019). Intelligens i kunstig ekspertsystem: Hva er, applikasjoner, eksempel. Hentet fra: guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Ekspert system. Hentet fra: i.Wikipedia.org.
3. Margaret Rouse (2019). Ekspert system. TechTarget. Hentet fra: Searchenterpriseai.TechTarget.com.
4. Vladimir Zwass (2019). Ekspert system. Encyclopaedia hentet fra: Britannica.com.
5. WTEC (2019). Bruksområdene til ekspertsystemer. Hentet fra: wtec.org.
6. Viral Nagori (2014). Typer ekspertsystem: Sammenlignende studie. Semantisk lærd.Hentet fra: pdfs.Semanticscholar.org.
7. World of Computing (2010). Ekspertsystemer. Hentet fra: Intelligens.WorldofComputing.nett.