EKSPERTSYSTEMER: HISTORIE, KARAKTERISTIKA, FORDELE, ULEMPER - TEKNOLOGI - 2025

De ekspertsystemer defineres som systemer, der emulerer beslutningsprocessen evne et menneske ekspert på et bestemt område. De bruger både heuristiske strategier og fakta for at løse komplekse beslutningsproblemer pålideligt og interaktivt.

De er designet til at løse meget komplekse problemer, resonnerer gennem videnbaser. I stedet for at blive repræsenteret ved procedurekode, er de dybest set repræsenteret af If-Then-regler.

Kilde: pixabay.com

De er i stand til at udtrykke sig og resonere omkring et eller andet videnområde, som giver dem mulighed for at løse mange problemer, der normalt kræver en menneskelig ekspert. Ekspertsystemer var forgængere af nutidens kunstige intelligens, dyb læring og maskinindlæringssystemer.

Et ekspertsystem kan ikke erstatte en arbejdstagers samlede præstation i fejlfinding. De kan dog drastisk reducere mængden af ​​arbejde, som den enkelte skal gøre for at løse et problem, hvilket overlader de kreative og innovative aspekter af problemløsning til mennesker.

De har spillet en vigtig rolle i mange brancher, såsom finansielle tjenester, telekommunikation, sundhedsydelser, kundeservice, videospil og fremstilling.

Systemkapacitet

Et ekspertsystem inkorporerer to delsystemer: et vidensgrundlag, der indeholder akkumulerede fakta og erfaringer, og en inferensmotor, som er et sæt regler, der skal anvendes på vidensgrundlaget eller kendte fakta i hver enkelt situation for at udlede nye. virker.

Systemfunktioner kan forbedres med tilføjelser til vidensbasen eller regelsættet.

For eksempel kan dagens ekspertsystemer også have evnen til at lære automatisk, så de kan forbedre deres præstation baseret på erfaring, ligesom mennesker gør.

Derudover kan moderne systemer lettere inkorporere ny viden og dermed let opdateres. Sådanne systemer kan bedre generalisere fra eksisterende viden og håndtere store mængder komplekse data.

Historie

- Første udvikling

I slutningen af ​​1950'erne begyndte eksperimenteringen med muligheden for at bruge computerteknologi til at efterligne menneskelig beslutningstagning. For eksempel begyndte computerstøttede systemer at blive oprettet til diagnostiske applikationer i medicin.

Disse indledende diagnosesystemer indtastede patientsymptomer og laboratorietestresultater i systemet for at generere en diagnose som et resultat. Dette var de første former for ekspertsystemer.

- Vigtigste udviklinger

I begyndelsen af ​​tresserne blev der udviklet programmer, der løste veldefinerede problemer. For eksempel spil eller maskinoversættelser.

Disse programmer krævede intelligente resonnementsteknikker for at håndtere de logiske og matematiske problemer, der blev præsenteret, men de krævede ikke meget yderligere viden.

Forskere begyndte at indse, at programmer, ikke kun måtte være i stand til at fortolke problemerne, for at løse mange interessante problemer, de havde også brug for grundlæggende viden for fuldt ud at forstå dem.

Dette førte gradvist til udviklingen af ​​ekspertsystemer, der var mere fokuseret på viden.

Begrebet ekspertsystemer blev formelt udviklet i 1965 af Edward Feigenbaum, en professor ved Stanford University, USA.

Feigenbaum forklarede, at verden bevægede sig fra databehandling til videnbehandling takket være ny processorteknologi og computerarkitekturer.

Dendral

I slutningen af ​​1960'erne blev et af de første ekspertsystemer, kaldet Dendral, udviklet til adressering af kemiske forbindelser.

Dendrals viden bestod af hundreder af regler, der beskrev interaktioner mellem kemiske forbindelser. Disse regler var resultatet af mange års samarbejde mellem kemikere og computerforskere.

- Modenhed

Ekspertsystemer begyndte at sprede sig i løbet af 1980'erne. Mange af Fortune 500-virksomhederne anvendte denne teknologi i deres daglige forretningsaktiviteter.

I 1990'erne integrerede mange leverandører af forretningsapplikationer, såsom Oracle og SAP, ekspertsystemers muligheder i deres pakke med produkter som en måde at forklare forretningslogik på.

egenskaber

- Erfaringsniveau

Et ekspertsystem skal tilbyde det højeste niveau af ekspertise. Giver effektivitet, præcision og fantasifuld problemløsning.

- Reaktion til tiden

Brugeren interagerer med ekspertsystemet i en ret rimelig periode. Tiden for denne interaktion må være mindre end den tid, en ekspert tager for at få den mest præcise løsning til det samme problem.

- Pålidelighed

Ekspertsystemet skal have god pålidelighed. For at gøre dette skal du ikke begå nogen fejl.

- Effektiv mekanisme

Ekspertsystemet skal have en effektiv mekanisme til at styre kompendiet af viden, der findes i det.

- Håndter problemer

Et ekspertsystem skal være i stand til at håndtere udfordrende problemer og træffe de rigtige beslutninger for at levere løsninger.

- Komponenter

Vidensbase

Det er en organiseret samling af data, der svarer til omfanget af oplevelsen af ​​systemet.

Gennem interviews og observationer med menneskelige eksperter skal de faktiske forhold, der udgør vidensgrundlaget, tages.

Inferensmotor

Fortolke og evaluere fakta i vidensgrundlaget gennem regler for at give en anbefaling eller konklusion.

Denne viden er repræsenteret i form af If-Then produktionsregler: "Hvis en betingelse er sand, kan følgende fradrag foretages."

konklusioner

Ofte er en sandsynlighedsfaktor knyttet til konklusionen af ​​hver produktionsregel og til den endelige anbefaling, fordi den konklusion, der er nået, ikke er en absolut sikkerhed.

For eksempel kan et ekspertsystem til diagnose af øjensygdomme på baggrund af de givne oplysninger indikere, at en person har glaukom med en sandsynlighed på 90%.

Også rækkefølgen af ​​regler, hvorigennem konklusionen blev nået, kan vises. Overvågning af denne kæde hjælper med at vurdere anbefalingens troværdighed og er nyttig som et læringsværktøj.

typer

Regelbaseret

I dette system er viden repræsenteret som et sæt regler. Reglen er en direkte og fleksibel måde at udtrykke viden på.

Reglen består af to dele: “Hvis” -delen, kaldet betingelsen, og “Derefter” -del, kaldet fradrag. Den grundlæggende syntaks for en regel er: Hvis (betingelse) Derefter (fradrag).

Baseret på fuzzy logik

Når du vil udtrykke viden ved hjælp af vage ord som "meget lidt", "moderat vanskelig", "ikke så gammel", kan fuzzy logik bruges.

Denne logik bruges til at beskrive en upræcis definition. Det er baseret på ideen om, at alle ting er beskrevet i en glidende skala.

Klassisk logik fungerer med to sikkerhedsværdier: Sand (1) og Falsk (0). I fuzzy logik udtrykkes alle sikkerhedsværdier som reelle tal i området 0 til 1.

Uklar logik repræsenterer viden baseret på en grad af sandhed snarere end den klassiske logiks absolutte sandhed.

Neuronal

Fordelene ved det regelbaserede ekspertsystem kombinerer også fordelene ved det neurale netværk, såsom indlæring, generalisering, robusthed og parallel informationsbehandling.

Dette system har en neural videnbase snarere end den traditionelle videnbase. Viden gemmes som vægte i neuroner.

Denne kombination tillader det neurale ekspertsystem at retfærdiggøre konklusionerne.

Neuronal-diffus

Uklar logik og neurale netværk er komplementære værktøjer til opbygning af ekspertsystemer.

Uklare systemer mangler evnen til at lære og kan ikke tilpasse sig et nyt miljø. På den anden side, selv om neurale netværk kan lære, er deres proces meget kompliceret for brugeren.

Neural-fuzzy systemer kan kombinere computerens og læringsfunktioner i det neurale netværk med repræsentationen af ​​menneskelig viden og forklaringsevnerne for fuzzy systems.

Som et resultat bliver neurale netværk mere gennemsigtige, mens det uklare system bliver i stand til at lære.

Fordel

tilgængelighed

Ekspert-systemer er let tilgængelige hvor som helst og når som helst på grund af masseproduktion af softwaren.

Nedsat risiko

En virksomhed kan betjene et ekspertsystem i miljøer, der er farlige for mennesker. De kan bruges i ethvert farligt miljø, hvor mennesker ikke kan arbejde.

Erhvervskendskab

De kan blive et køretøj til at udvikle organisatorisk viden i modsætning til viden om enkeltpersoner i en virksomhed.

Svar på forklaringen

De er i stand til at give en tilstrækkelig forklaring af deres beslutningstagning og udtrykke detaljeret den begrundelse, der førte til et svar.

Når de bruges som træningsværktøjer, resulterer de i en hurtigere læringskurve for begyndere.

Hurtigt svar

Hjælper med at få hurtige og præcise svar. Et ekspertsystem kan gennemføre sin del af opgaver meget hurtigere end en menneskelig ekspert.

Lav fejlhastighed

Fejlfrekvensen for vellykkede ekspertsystemer er ret lav, nogle gange meget lavere end den menneskelige fejlrate for den samme opgave.

Følelsesløs respons

Ekspert-systemer fungerer uden at blive ophidset. De bliver ikke anspændte, træthed eller panik, og de arbejder støt under nødsituationer.

Viden permanens

Ekspertsystemet opretholder et betydeligt niveau af information. Denne indeholdte viden vil vare ubestemt.

Hurtig prototype

Med et ekspertsystem er det muligt at indtaste nogle regler og udvikle en prototype i dage snarere end de måneder eller år, der ofte er forbundet med komplekse IT-projekter.

Flere oplevelser

Ekspertsystemet kan designes til at indeholde viden fra mange kvalificerede eksperter og dermed have evnen til at løse komplekse problemer.

Dette reducerer omkostningerne ved at konsultere eksperter med problemløsningskonsulenter. De er et redskab til at indhente videnskilder, der er vanskelige at få.

Ulemper

Viden erhvervelse

Det er altid svært at få tid til eksperter inden for bestemte områder til enhver softwareapplikation, men for ekspertsystemer er det især vanskeligt, fordi eksperter er meget værdsat og konstant efterspurgt af organisationer.

Som en konsekvens har en stor mængde forskning i de senere år fokuseret på værktøjer til erhvervelse af viden, som hjælper med at automatisere processen med design, debugging og vedligeholdelse af de regler, der er defineret af eksperter.

Systemintegration

Integrationen af ​​systemerne med databaserne var vanskelig for de første ekspertsystemer, fordi værktøjerne hovedsageligt var på sprog og platforme, der ikke var kendt i virksomhedsmiljøer.

Som et resultat blev der gjort en stor indsats for at integrere ekspertsystemværktøjer med ældre miljøer og gøre overførslen til mere standardplatforme.

Disse problemer blev hovedsageligt løst ved paradigmeskiftet, da pc'er gradvist blev accepteret i computermiljøet som en legitim platform for udvikling af seriøse forretningssystemer.

Behandler kompleksitet

Forøgelse af vidensbasisens størrelse forøger kompleksiteten af ​​behandlingen.

For eksempel, hvis et ekspertsystem har 100 millioner regler, er det åbenlyst, at det ville være for kompliceret, og det vil stå over for mange beregningsproblemer.

En inferensmotor skulle være i stand til at behandle et stort antal regler for at træffe en beslutning.

Når der er for mange regler, er det også vanskeligt at kontrollere, at disse beslutningsregler er i overensstemmelse med hinanden.

Det er også vanskeligt at prioritere brugen af ​​reglerne til at fungere mere effektivt, eller hvordan man løser uklarheder.

Videnopdatering

Et problem relateret til videnbasen er, hvordan man foretager opdateringer hurtigt og effektivt. Hvordan man tilføjer ny viden, det vil sige, hvor man kan tilføje den blandt så mange regler.

Applikationer

Diagnose og fejlfinding

Det opsummerer alle systemer, der udleder fejl, og foreslår korrigerende handlinger for en fejlfunktion eller enhed.

Et af de første videnområder, hvor ekspertsystemteknologi blev anvendt, var medicinsk diagnose. Imidlertid overgik diagnosticering af ingeniørsystemer hurtigt den medicinske diagnostik.

Diagnosen kan udtrykkes som: givet de fremlagte beviser, hvad er det underliggende problem, årsag eller årsag?

Planlægning og planlægning

Disse ekspertsystemer analyserer et sæt mål for at bestemme et sæt handlinger, der opfylder disse mål, og giver en detaljeret rækkefølge af disse handlinger over tid under hensyntagen til materialer, personale og andre begrænsninger.

Eksempler inkluderer personale og flyplanlægning af flyselskaber og planlægning af fremstillingsprocesser.

Finansielle beslutninger

Der er oprettet finansielle rådgivningssystemer, der hjælper bankfolk med at bestemme, om de skal yde lån til enkeltpersoner og virksomheder.

Forsikringsselskaber bruger disse ekspertsystemer til at vurdere risikoen, som klienten udgør og dermed bestemme forsikringsprisen.

Procesovervågning og kontrol

De analyserer data fra fysiske enheder i realtid for at bemærke uregelmæssigheder, forudsige tendenser og kontrollere både optimering og fejlkorrektion.

Eksempler på disse systemer er inden for olieraffinaderi og stålfremstillingsindustrien.

Videnrådgivning

Den primære funktion af denne applikation er at give meningsfuld indsigt i brugerens problem inden for miljøets problem.

De to ekspertsystemer, der er mest udbredt over hele verden, hører til denne kategori.

Det første af disse systemer er en rådgiver, der rådgiver brugeren om korrekt brug af grammatik i en tekst.

Den anden er en skatterådgiver, der er knyttet til et system til forberedelse af skatter. Rådgiver brugeren om strategien og særlige skattepolitikker.

Referencer

1. Guru99 (2019). Ekspert-system inden for kunstig intelligens: Hvad er applikationer, eksempel. Taget fra: guru99.com.
2. Wikipedia, gratis encyklopædi (2019). Ekspert-system. Taget fra: en.wikipedia.org.
3. Margaret Rouse (2019). Ekspert-system. TechTarget. Taget fra: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Ekspert-system. Encyclopaedia taget fra: britannica.com.
5. Wtec (2019). Anvendelser af ekspertsystemer. Fra: wtec.org.
6. Viral Nagori (2014). Typer af ekspertsystem: sammenlignende undersøgelse. Semantisk lærde taget fra: pdfs.semanticscholar.org.
7. World of Computing (2010). Ekspertsystemer. Taget fra: intelligence.worldofcomputing.net.