EXPERTNÍ SYSTÉMY: HISTORIE, VLASTNOSTI, VÝHODY, NEVÝHODY - TECHNOLOGIE - 2025

Tyto expertní systémy jsou definovány jako systémy, které emulovat rozhodovací schopnosti odborníka člověka v určité oblasti. Používají heuristické strategie i fakta k spolehlivému a interaktivnímu řešení složitých problémů s rozhodováním.

Jsou navrženy tak, aby řešily velmi složité problémy, zdůvodňovaly prostřednictvím znalostních bází. Namísto toho, aby byly reprezentovány procedurálním kódem, jsou v zásadě reprezentovány pravidly If-Then.

Zdroj: pixabay.com

Jsou schopni se vyjádřit a uvažovat o určité oblasti znalostí, což jim umožňuje řešit mnoho problémů, které by obecně vyžadovaly lidského experta. Expertní systémy byly předchůdci dnešních systémů umělé inteligence, hlubokého učení a strojového učení.

Expertní systém nemůže nahradit celkový výkon pracovníka při řešení problémů. Mohou však drasticky snížit množství práce, kterou musí jednotlivec udělat, aby vyřešil problém, a tvůrčí a inovativní aspekty řešení problémů ponechávají na lidech.

Hráli důležitou roli v mnoha průmyslových odvětvích, jako jsou finanční služby, telekomunikace, zdravotnictví, služby zákazníkům, videohry a výroba.

Kapacita systému

Expertní systém zahrnuje dva subsystémy: znalostní základnu, která obsahuje nashromážděná fakta a zkušenosti, a inferenční motor, což je soubor pravidel, která se použijí na znalostní bázi nebo známá fakta v každé konkrétní situaci, aby bylo možné odvodit nové. jedná.

Schopnosti systému lze vylepšit doplněním databáze znalostí nebo sady pravidel.

Například dnešní odborné systémy mohou mít také schopnost se učit automaticky, což jim umožňuje zlepšit jejich výkon na základě zkušeností, stejně jako lidé.

Moderní systémy mohou navíc snadněji začlenit nové znalosti, a tak je snadno aktualizovat. Takové systémy mohou lépe zobecnit stávající znalosti a zpracovat velké množství komplexních dat.

Dějiny

- Počáteční vývoj

Na konci 50. let začaly experimenty s možností využití počítačové technologie k napodobování lidského rozhodování. Například počítačové systémy se začaly vytvářet pro diagnostické aplikace v medicíně.

Tyto počáteční diagnostické systémy vstoupily do symptomů pacienta a výsledky laboratorních testů do systému, aby se vygenerovala diagnóza. To byly první formy expertních systémů.

- Hlavní vývoj

Na začátku šedesátých let byly vyvinuty programy, které řešily dobře definované problémy. Například hry nebo strojové překlady.

Tyto programy vyžadovaly inteligentní techniky uvažování, aby zvládly logické a matematické problémy, které byly prezentovány, ale nevyžadovaly mnoho dalších znalostí.

Vědci si začali uvědomovat, že k vyřešení mnoha zajímavých problémů programy nejenže musely být schopny interpretovat problémy, ale potřebovaly také základní znalosti, aby je plně pochopily.

To postupně vedlo k vývoji expertních systémů, které byly více zaměřeny na znalosti.

Koncept expertních systémů byl formálně vyvinut v roce 1965 Edwardem Feigenbaumem, profesorem na Stanfordské univerzitě v USA.

Feigenbaum vysvětlil, že svět se posunul od zpracování dat ke zpracování znalostí díky nové procesorové technologii a počítačové architektuře.

Dendral

Na konci šedesátých let byl vyvinut jeden z prvních expertních systémů zvaný Dendral, který se zabýval analýzou chemických sloučenin.

Dendralova znalost spočívala ve stovkách pravidel, která popisovala interakce chemických sloučenin. Tato pravidla byla výsledkem dlouholeté spolupráce mezi chemiky a počítačovými vědci.

- Splatnost

Expertní systémy se začaly šířit během 80. let. Mnoho společností z žebříčku Fortune 500 tuto technologii používalo ve svých každodenních obchodních činnostech.

V 90. letech mnoho prodejců podnikových aplikací, jako jsou Oracle a SAP, integrovalo schopnosti expertních systémů do své sady produktů, což vysvětluje obchodní logiku.

vlastnosti

- Úroveň zkušeností

Expertní systém musí nabídnout nejvyšší úroveň odborných znalostí. Poskytuje efektivitu, přesnost a imaginativní řešení problémů.

- Reakce včas

Uživatel spolupracuje s expertním systémem po poměrně přiměřenou dobu. Doba této interakce musí být kratší než doba, kterou odborník potřebuje k získání nejpřesnějšího řešení stejného problému.

- Spolehlivost

Expertní systém musí mít dobrou spolehlivost. Za tímto účelem nesmíte dělat žádné chyby.

- Efektivní mechanismus

Expertní systém musí mít účinný mechanismus pro správu přehledu znalostí, který v něm existuje.

- Řešení problémů

Expertní systém musí být schopen zvládnout náročné problémy a učinit správná rozhodnutí, aby poskytl řešení.

- Komponenty

Znalostní báze

Jde o organizovaný sběr dat odpovídající rozsahu zkušeností systému.

Prostřednictvím rozhovorů a pozorování s lidskými experty je třeba vzít v úvahu skutečnosti, které tvoří znalostní základnu.

Inferenční motor

Interpretovat a hodnotit fakta ve znalostní bázi prostřednictvím pravidel, za účelem poskytnutí doporučení nebo závěru.

Tato znalost je reprezentována ve formě pravidel produkce If-Then: "Pokud je podmínka pravdivá, lze provést následující odpočet."

Závěry

K závěru každého výrobního pravidla a ke konečnému doporučení je často připojen faktor pravděpodobnosti, protože dosažený závěr není absolutní jistotou.

Například expertní systém pro diagnostiku očních chorob může na základě poskytnutých informací naznačovat, že osoba má glaukom s pravděpodobností 90%.

Lze také ukázat posloupnost pravidel, kterými bylo dosaženo závěru. Sledování tohoto řetězce pomáhá posoudit důvěryhodnost doporučení a je užitečné jako nástroj učení.

Typy

Na základě pravidel

V tomto systému jsou znalosti reprezentovány jako soubor pravidel. Pravidlo je přímý a flexibilní způsob vyjádření znalostí.

Pravidlo se skládá ze dvou částí: část „If“, nazvaná podmínka, a část „Then“, nazvaná odpočet. Základní syntaxe pravidla je: If (podmínka) Then (deduction).

Na základě fuzzy logiky

Pokud chcete vyjádřit znalosti pomocí nejasných slov jako „velmi málo“, „středně obtížné“, „ne tak staré“, lze použít fuzzy logiku.

Tato logika se používá k popisu nepřesné definice. Je založeno na myšlence, že všechny věci jsou popsány posuvným měřítkem.

Klasická logika pracuje se dvěma hodnotami jistoty: True (1) a False (0). Ve fuzzy logice jsou všechny hodnoty jistoty vyjádřeny jako reálná čísla v rozsahu 0 až 1.

Fuzzy logika představuje znalosti založené spíše na míře pravdivosti než na absolutní pravdivosti klasické logiky.

Neuronal

Výhody expertního systému založeného na pravidlech také kombinují výhody neuronové sítě, jako je učení, generalizace, robustnost a paralelní zpracování informací.

Tento systém má spíše neurální znalostní základnu než tradiční znalostní bázi. Znalosti jsou ukládány jako závaží v neuronech.

Tato kombinace umožňuje neurálnímu expertnímu systému zdůvodnit své závěry.

Neuronální-difúzní

Fuzzy logika a neuronové sítě jsou doplňkovými nástroji pro vytváření expertních systémů.

Fuzzy systémy postrádají schopnost učit se a nemohou se přizpůsobit novému prostředí. Na druhou stranu, i když se neuronové sítě mohou učit, jejich proces je pro uživatele velmi komplikovaný.

Neurofuzní systémy mohou kombinovat výpočetní a učební schopnosti neuronové sítě se zastoupením lidských znalostí a vysvětlením dovedností fuzzy systémů.

V důsledku toho se neuronové sítě stanou průhlednějšími, zatímco fuzzy systém se stane schopným učit se.

Výhoda

Dostupnost

Expertní systémy jsou snadno dostupné kdekoli a kdykoli díky hromadné produkci softwaru.

Snížené riziko

Společnost může provozovat expertní systém v prostředích, která jsou pro člověka nebezpečná. Mohou být použity v jakémkoli nebezpečném prostředí, kde lidé nemohou pracovat.

Obchodní znalosti

Na rozdíl od znalostí jednotlivců ve společnosti se mohou stát prostředkem k rozvoji organizačních znalostí.

Odpověď na vysvětlení

Jsou schopni poskytnout odpovídající vysvětlení svého rozhodování a podrobně vyjádřit odůvodnění, které vedlo k odpovědi.

Při použití jako tréninkových nástrojů vedou k rychlejší křivce učení pro začátečníky.

Rychlá odpověď

Pomáhá získat rychlé a přesné odpovědi. Expertní systém může dokončit svůj podíl úkolů mnohem rychleji než lidský expert.

Nízká míra chyb

Míra chyb úspěšných expertních systémů je poměrně nízká, někdy mnohem nižší než míra chybovosti člověka pro stejný úkol.

Odezva bez emocí

Expertní systémy fungují bez nadšení. Nedostanou napjaté, unavené nebo panické stavy a v nouzových situacích neustále pracují.

Trvalá znalost

Expertní systém udržuje významnou úroveň informací. Tyto obsažené znalosti budou trvat donekonečna.

Rychlé prototypování

S expertním systémem je možné zadávat některá pravidla a vyvíjet prototyp ve dnech, namísto měsíců nebo let běžně spojených s komplexními IT projekty.

Více zážitků

Expertní systém může být navržen tak, aby obsahoval znalosti mnoha kvalifikovaných odborníků, a tak měl schopnost řešit složité problémy.

To snižuje náklady na konzultace s odborníky na řešení problémů. Jsou prostředkem k získání zdrojů znalostí, které je obtížné získat.

Nevýhody

Získávání znalostí

Je vždy obtížné získat čas odborníků v konkrétních oborech pro jakoukoli softwarovou aplikaci, ale pro expertní systémy je to obzvláště obtížné, protože odborníci jsou vysoce ceněny a organizace neustále žádají.

V důsledku toho se velké množství výzkumu v posledních letech zaměřilo na nástroje pro získávání znalostí, které pomáhají automatizovat proces navrhování, ladění a udržování pravidel definovaných odborníky.

Systémová integrace

Integrace systémů s databázemi byla pro první expertní systémy obtížná, protože nástroje byly hlavně v jazycích a platformách, které nejsou v podnikových prostředích známy.

V důsledku toho bylo vynaloženo velké úsilí na integraci nástrojů expertních systémů se staršími prostředími, čímž byl proveden přechod na více standardních platforem.

Tyto problémy byly vyřešeny hlavně změnou paradigmatu, protože počítače byly v počítačovém prostředí postupně přijímány jako legitimní platforma pro rozvoj vážných obchodních systémů.

Složitost zpracování

Zvětšení velikosti znalostní základny zvyšuje složitost zpracování.

Například pokud má expertní systém 100 milionů pravidel, je zřejmé, že by byl příliš složitý a čelil by mnoha výpočetním problémům.

Inferenční motor by musel být schopen zpracovat velké množství pravidel, aby mohl učinit rozhodnutí.

Pokud existuje příliš mnoho pravidel, je také obtížné ověřit, že tato pravidla rozhodování jsou vzájemně v souladu.

Je také obtížné stanovit prioritu používání pravidel k efektivnějšímu fungování nebo k řešení nejasností.

Aktualizace znalostí

Jedním z problémů souvisejících se znalostní základnou je způsob, jak rychle a účinně provádět aktualizace. Také, jak přidat nové znalosti, to je, kde je přidat mezi tolik pravidel.

Aplikace

Diagnostika a řešení problémů

Shrnuje všechny systémy odvozující poruchu a navrhuje nápravná opatření pro selhání procesu nebo zařízení.

Jednou z prvních oblastí znalostí, kde byla použita technologie expertních systémů, byla lékařská diagnostika. Diagnostika inženýrských systémů však rychle překonala lékařskou diagnostiku.

Diagnózu lze vyjádřit takto: jaký je základní problém, důvod nebo příčina vzhledem k předloženým důkazům?

Plánování a plánování

Tyto expertní systémy analyzují soubor cílů za účelem stanovení souboru akcí, které těchto cílů dosahují, a poskytují podrobné pořadí těchto akcí v čase, s ohledem na materiály, personál a další omezení.

Mezi příklady patří personální obsazení a plánování letů a plánování výrobních procesů.

Finanční rozhodnutí

Byly vytvořeny finanční poradenské systémy, které bankéřům pomáhají určit, zda půjdou jednotlivcům a společnostem.

Pojišťovací společnosti používají tyto expertní systémy k posouzení rizika, které klient představuje, a tím k určení ceny pojištění.

Monitorování a řízení procesů

Analyzují data z fyzických zařízení v reálném čase, aby si všimli anomálií, předpovídali trendy a řídili optimalizaci i opravu chyb.

Příklady těchto systémů jsou v rafinérském a ocelářském průmyslu.

Znalostní poradenství

Primární funkcí této aplikace je poskytovat smysluplný pohled na problém uživatele v prostředí tohoto problému.

Do této kategorie patří dva nejrozšířenější systémy expertů po celém světě.

Prvním z těchto systémů je poradce, který radí uživateli o správném používání gramatiky v textu.

Druhým je daňový poradce, který je připojen k systému přípravy daní. Informuje uživatele o strategii a konkrétních daňových politikách.

Reference

1. Guru99 (2019). Expertní systém v oblasti umělé inteligence: Co je to, aplikace, příklad. Převzato z: guru99.com.
2. Wikipedia, encyklopedie zdarma (2019). Expertní systém. Převzato z: en.wikipedia.org.
3. Margaret Rouse (2019). Expertní systém. Techtarget. Převzato z: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Expertní systém. Encyklopedie Převzato z: britannica.com.
5. Wtec (2019). Aplikace expertních systémů. Převzato z: wtec.org.
6. Viral Nagori (2014). Typy expertního systému: srovnávací studie. Sémantický učenec Převzato z: pdfs.semanticscholar.org.
7. World of Computing (2010). Expertní systémy. Převzato z: intelligence.worldofcomputing.net.