Expertssystem historia, egenskaper, fördelar, nackdelar

De expert system De definieras som datorsystem som emulerar beslutets beslutskapacitet för en mänsklig expert inom ett visst område. De använder både heuristiska strategier och fakta för att lösa komplexa beslut -att fatta problem pålitligt och interaktivt.

De är utformade för att lösa problem med hög komplexitet och resonemang genom kunskapsbaser. Istället för att vara representerad med en procedurbaserad kod, gör de i princip med Si-Then-regler.

Källa: Pixabay.com

De kan uttrycka sig och resonera om vissa kunskapsområden, vilket gör att de kan lösa många problem som i allmänhet kräver en mänsklig expert. Expertssystem var föregångarna i nuvarande konstgjorda intelligenssystem, djup inlärning och automatisk lärande.

Ett expertsystem kan inte ersätta en arbetares allmänna prestanda i problemlösningsuppgiften. De kan emellertid drastiskt minska mängden arbete som individen måste göra för att lösa ett problem och lämna människor de kreativa och innovativa aspekterna av problemlösning.

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

[TOC]

Systemkapacitet

Ett expertsystem innehåller två delsystem: en kunskapsbas, som innehåller ackumulerade fakta och erfarenheter, och en inferensmotor, som är en uppsättning regler för att tillämpa på kunskapsbasen eller fakta som är kända i varje särskild situation, för att härleda nya fakta.

Systemfunktioner kan förbättras med tillägg till kunskapsbasen eller uppsättningen regler.

Till exempel kan dagens expertsystem också ha förmågan att lära sig automatiskt, vilket gör det möjligt för deras prestanda baserat på erfarenhet, som människor gör.

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

Historia

- Första utvecklingen

I slutet av 1950 -talet började möjligheten att använda datateknik för att efterlikna beslutet av människor upplevas. Till exempel började datorassisterade system skapas för diagnostiska applikationer inom medicin.

Dessa initiala diagnostiska system kom in i symtomen på patienter och resultaten från laboratorietester för att generera en diagnos som ett resultat. Dessa var de första formerna av expertsystem.

- Huvudutvecklingen

I början av sextiotalet utvecklades programmen som löste väl definierade problem. Till exempel automatiska spel eller översättningar.

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

Forskarna började varna att för att lösa många intressanta problem måste program inte bara kunna tolka problemen, utan också behövde grundläggande kunskaper för att helt förstå dem.

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

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

Feigenbaum förklarade att världen gick från databehandling till kunskapsbehandling, tack vare de nya processorerna och datorarkitekturerna teknik.

Dendrent

I slutet av sextiotalet utvecklades ett av de första expertsystemen, kallad Dendral, och adresserade 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 kemikalier och dator.

Kan tjäna dig: geometriska toleranser: symboler, datum och exempel

- Mognad

Expertystem började sprida sig under åttiotalet. Ett stort antal Fortune 500 -företag använde denna teknik i sin dagliga kommersiella verksamhet.

På 1990 -talet integrerade många leverantörer av affärsapplikationer, som Oracle och SAP, kapaciteten hos expertsystem i sina produkter, som ett sätt att förklara affärslogik.

Egenskaper

- Erfarenhetsnivå

Ett expertsystem måste erbjuda den högsta erfarenhetsnivån. Ger effektivitet, precision och fantasifull lösning av problem.

- Reaktion i tid

Användaren interagerar med expertsystemet under en ganska försiktighetsperiod. Tiden för denna interaktion måste vara mindre än den tid då för samma problem tas en expert för att uppnå den mest exakta lösningen.

- Pålitlighet

Expertsystemet måste ha god tillförlitlighet. För att göra detta bör du inte göra något fel.

- Effektiv mekanism

Expertystemet måste ha en effektiv mekanism för att administrera kompendiet av befintlig kunskap 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 datainsamling som motsvarar systemet för systemupplevelse.

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

Slutmotor

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

Denna kunskap representeras i form av produktionsregler Si-Even: "Om ett villkor är sant, kan följande avdrag göras".

Slutsatser

En sannolikhetsfaktor bifogas ofta till slutsatsen för varje produktionsregel och den slutliga rekommendationen, eftersom slutsatsen inte är en absolut säkerhet.

Till exempel kan ett expertsystem för diagnos av okulära sjukdomar indikera enligt den information som tillhandahålls att en person har glaukom med 90% sannolikhet.

Dessutom kan reglens sekvens visas genom vilken slutsatsen nåddes. Övervakningen av denna kedja hjälper till att utvärdera rekommendationens trovärdighet och är användbar som ett inlärningsverktyg.

Grabbar

Baserat på regler

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

Regeln består av två delar: "Ja" -delen, kallad tillstånd och "då" -delen, kallad avdrag. Den grundläggande syntaxen för en regel är: ja (villkor) då (avdrag).

Baserat på diffus logik

När du vill uttrycka kunskap med vaga ord som "väldigt små", "måttligt svårt", "inte så gammal", kan diffus logik användas.

Denna logik används för att beskriva en felaktig definition. Det är baserat på idén att alla saker beskrivs i en variabel skala.

Klassisk logik fungerar med två säkerhetsvärden: sant (1) och falsk (0). I diffus logik uttrycks alla säkerhetsvärden med verkliga siffror inom intervallet mellan 0 och 1.

Diffus logik representerar kunskap baserad på en grad av sanning, istället för den absoluta sanningen i klassisk logik.

Neuronal

Med fördelarna med det reglerbaserade expertsystemet kombineras också fördelarna med det neuronala nätverket, såsom lärande, generalisering, soliditet och parallell informationsbehandling.

Det kan tjäna dig: nätverkstopologier: koncept, typer och deras egenskaper, exempel

Detta system har en neuronal kunskapsbas, istället för den traditionella kunskapsbasen. Kunskap lagras som pesos i neuroner.

Denna kombination gör det möjligt för det neuronala expertsystemet att motivera sina slutsatser.

Neuronal-difus

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

Diffus 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.

Neuronal-diffus-system kan kombinera dator- och inlärningsfunktioner i det neuronala nätverket med representation av mänsklig kunskap och förklaringsförmågan hos diffusa system.

Som ett resultat blir neurala nätverk mer transparenta, medan det diffusa systemet kan lära sig.

Fördelar

Tillgänglighet

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

Minskad risk

Ett företag kan driva en expert på miljöer som är farliga för människor. De kan användas i alla riskmiljöer där människor inte kan arbeta.

Affärskunskap

De kan bli ett fordon för att utveckla organisatorisk kunskap, i motsats till kunskapen om individer i ett företag.

Svarförklaring

De kan ge en tillräcklig förklaring av sitt beslutsfattande och uttrycker i detalj resonemanget som ledde dem till ett svar.

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

Snabbt svar

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

Låg felfrekvens

Felhastigheten för framgångsrika expertsystem är ganska låg, ibland mycket lägre än människans felfrekvens för samma uppgift.

Svar utan känslor

Expertystem fungerar utan att bli upphetsade. De sätter inte spända, trötta eller panik och arbetar ständigt under nödsituationer.

Kunskapsrättighet

Expersystemet har en betydande informationsnivå. Detta kunskapsinnehåll kommer att pågå på obestämd tid.

Snabb prototypskapande

Med ett expertsystem är det möjligt att ange vissa regler och utveckla en prototyp på dagar, istället för de månader eller år som vanligtvis är associerade med komplexa datorprojekt.

Flera upplevelser

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

Detta minskar utgifterna för att ta till expertkonsulter för problemlösning. De är ett fordon för att få kunskapskällor svåra att få.

Nackdelar

Kunskapsförvärv

Det är alltid svårt att få experternas tid inom vissa områden för alla programvaruapplikationer, men för expertsystem är det särskilt svårt, eftersom experter är mycket värderade och ständigt begärda av organisationer.

Som en konsekvens har en stor mängd forskning under de senaste åren koncentrerat sig på verktyg för att förvärva kunskap, som hjälper till att automatisera processen för design, rening och underhåll av de regler som definieras av experter.

Systemintegration

Integrationen av systemen med databaserna var svår för de första expertsystemen, eftersom verktygen främst var på okända språk och plattformar i företagsmiljöer.

Kan tjäna dig: teknisk produkt

Som ett resultat gjordes en stor ansträngning för att integrera verktygen i expertsystem med ärvda miljöer, vilket gör överföringen till mer standardplattformar.

Dessa problem löstes främst genom förändring av paradigmet, eftersom datorerna gradvis accepterades i datormiljön som en legitim plattform för utveckling av seriösa kommersiella system.

Bearbetningskomplexitet

Genom 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 skulle möta många beräkningsproblem.

En inferensmotor bör kunna behandla ett stort antal regler för att fatta ett beslut.

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

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

Kunskapsuppdatering

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

Ansökningar

Diagnos och problemlösning

Den sammanfattar alla system som drar slutsatser och föreslår korrigerande åtgärder för en process eller enhet som fungerar dåligt.

Ett av de första kunskapsområdena där expertsystemstekniken tillämpades var medicinsk diagnos. Diagnosen av tekniska system överskred dock snabbt medicinsk diagnos.

Diagnosen kan uttryckas som: Med tanke på bevisen som uppstår, vad är det underliggande problemet, orsaken eller orsaken?

Planering och programmering

Dessa expertsystem analyserar en uppsättning mål för att bestämma en uppsättning åtgärder som uppnår dessa mål, vilket ger en detaljerad ordning på dessa åtgärder över tid, med tanke på materialen, personalen och andra begränsningar.

Exempel inkluderar programmering av flygningar och flygpersonal och tillverkningsprocessplanering.

Ekonomiska beslut

Ekonomiska rådgivningssystem har skapats för att hjälpa bankirer att avgöra om lån till individer och företag.

Försäkringsbolag använder dessa expertsystem för att utvärdera risken som klienten presenterar och därmed bestämmer försäkringspriset.

Processövervakning och kontroll

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

Exempel på dessa system finns inom olje- och ståltillverkningsindustrin.

Kunskapsråd

Den primära funktionen för denna applikation är att tillhandahålla betydande kunskaper för användarens problem, inom miljön i det problemet.

Till denna kategori tillhör de två expertsystemen som är distribuerade med större amplitud över hela världen.

Den första av dessa system är en rådgivare som ger användaren råd om korrekt användning av grammatik i en text.

Den andra är en finansiell rådgivare som är knuten till ett system för att förbereda skatter. Rådgivare användaren om särskild skattestrategi och policyer.

Referenser

1. Guru99 (2019). Intelligens i artificiellt expertsystem: Vad är, applikationer, exempel. Taget från: Guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Expertsystem. Taget från: i.Wikipedia.org.
3. Margaret Rouse (2019). Expertsystem. Techtarget. Taget från: SearchEenterpriseai.Techtarget.com.
4. Vladimir Zwass (2019). Expertsystem. Encyclopaedia taget från: Britannica.com.
5. WTEC (2019). Tillämpningar av expertsystem. Taget från: wtec.org.
6. Viral Nagori (2014). Typer av expertsystem: Jämförande studie. Semantisk forskare.Taget från: pdfs.Semantikscholär.org.
7. World of Computing (2010). Expert system. Taget från: intelligens.Världsavdragande.netto.