Geschiedenis van de expertsystemen, kenmerken, voordelen, nadelen

De expertsystemen Ze worden gedefinieerd als computersystemen die de beslissingscapaciteit van een menselijke expert op een bepaald gebied emuleren. Ze gebruiken zowel heuristische strategieën als feiten om complexe beslissingsproblemen op betrouwbaar en interactief op te lossen.

Ze zijn ontworpen om hoge complexiteitsproblemen op te lossen, redeneren via kennisbases. In plaats van te worden vertegenwoordigd met een procedure-gebaseerde code, doen ze dit in principe met Si-dan regels.

Bron: Pixabay.com

Ze kunnen zich uiten en redeneren over een bepaald gebied van kennis, waardoor ze veel problemen kunnen oplossen die over het algemeen een menselijke expert vereisen. Expertsystemen waren de voorgangers van huidige kunstmatige intelligentiesystemen, diep leren en automatisch leren.

Een expertsysteem kan de algemene prestaties van een werknemer niet vervangen in de probleemoplossende taak. Ze kunnen echter de hoeveelheid werk die het individu moet doen drastisch verminderen om een ​​probleem op te lossen, waardoor mensen de creatieve en innovatieve aspecten van probleemoplossing achterlaten.

Ze hebben een belangrijke rol gespeeld in veel industrieën, zoals financiële diensten, telecommunicatie, medische zorg, klantenservice, videogames en productie.

[TOC]

Systeemcapaciteit

Een expertsysteem bevat twee subsystemen: een kennisbasis, die geaccumuleerde feiten en ervaring bevat, en een inferentiemotor, een reeks regels die van toepassing zijn op de kennisbasis of feiten die in elke specifieke situatie bekend zijn, om nieuwe feiten af ​​te leiden.

Systeemmogelijkheden kunnen worden verbeterd met toevoegingen aan de kennisbasis of de set regels.

De expertsystemen van vandaag kunnen bijvoorbeeld ook de mogelijkheid hebben om automatisch te leren, waardoor hun prestaties kunnen worden verbeterd op basis van ervaring, zoals mensen doen.

Bovendien kunnen moderne systemen gemakkelijker nieuwe kennis gemakkelijker opnemen en dus eenvoudig worden bijgewerkt. Dergelijke systemen kunnen beter generaliseren uit bestaande kennis en grote hoeveelheden complexe gegevens verwerken.

Geschiedenis

- Eerste ontwikkelingen

Aan het einde van de jaren 1950 begon de mogelijkheid om computertechnologie te gebruiken om de beslissing te nemen -het nemen van mensen. Computer -geassisteerde systemen begonnen bijvoorbeeld te worden gemaakt voor diagnostische toepassingen in de geneeskunde.

Deze initiële diagnostische systemen kwamen in de symptomen van patiënten en de resultaten van laboratoriumtests om hierdoor een diagnose te genereren. Dit waren de eerste vormen van expertsystemen.

- Hoofdontwikkelingen

In het begin van de jaren zestig werden programma's ontwikkeld die goed gedefinieerde problemen oplosten. Bijvoorbeeld automatische spellen of vertalingen.

Deze programma's vereisten intelligente redeneringstechnieken om de logische en wiskundige problemen aan te kunnen die werden gepresenteerd, maar vereisten niet veel extra kennis.

De onderzoekers begonnen te waarschuwen dat om veel interessante problemen op te lossen, programma's niet alleen de problemen moesten interpreteren, maar ook basiskennis nodig hadden om ze volledig te begrijpen.

Dit leidde geleidelijk tot de ontwikkeling van expertsystemen, die meer gericht waren op kennis.

Het concept van expertsystemen werd formeel ontwikkeld in 1965 door Edward Feigenbaum, professor aan Stanford University, EE.UU.

Feigenbaum legde uit dat de wereld van gegevensverwerking naar kennisverwerking ging, dankzij de nieuwe processors en computerarchitecturentechnologie.

Dendral

Aan het einde van de jaren zestig werd een van de eerste expertsystemen ontwikkeld, Dendral genaamd, met betrekking tot de analyse van chemische verbindingen.

De kennis van Dendral bestond uit honderden regels die de interacties van chemische verbindingen beschreven. Deze regels waren het resultaat van jaren van samenwerking tussen chemicaliën en computer.

Kan u van dienst zijn: geometrische toleranties: symbolen, datum en voorbeelden

- Volwassenheid

Expertsystemen begonnen zich in de jaren tachtig te verspreiden. Een groot aantal Fortune 500 -bedrijven past deze technologie toe in hun dagelijkse commerciële activiteiten.

In de jaren negentig integreerden veel leveranciers van zakelijke applicaties, zoals Oracle en SAP, de capaciteiten van expertsystemen in hun producten, als een manier om bedrijfslogica uit te leggen.

Kenmerken

- Ervaringsniveau

Een expertsysteem moet het hoogste ervaringsniveau bieden. Biedt efficiëntie, precisie en fantasierijke oplossing van problemen.

- Reactie op tijd

De gebruiker interageert voor een redelijk prudentiële periode met het expertsysteem. De tijd van deze interactie moet minder zijn dan de tijd dat een expert voor hetzelfde probleem wordt genomen om de meest nauwkeurige oplossing te bereiken.

- Betrouwbaarheid

Het expertsysteem moet een goede betrouwbaarheid hebben. Om dit te doen, moet u geen fout maken.

- Effectief mechanisme

Het expertsysteem moet een efficiënt mechanisme hebben om het compendium van bestaande kennis erin te beheren.

- Omgaan met problemen

Een expertsysteem moet in staat zijn om uitdagende problemen aan te pakken en de juiste beslissingen te nemen om oplossingen te bieden.

- Componenten

Kennis basis

Het is een georganiseerde gegevensverzameling die overeenkomt met het systeem van systeemervaring.

Door interviews en observaties aan menselijke experts moeten de feiten die de kennisbasis vormen, worden genomen.

Inferentiemachine

Interpreteer en evalueer de feiten in de kennisbasis via regels, om een ​​aanbeveling of conclusie te geven.

Deze kennis wordt weergegeven in de vorm van productieregels Si-even: "Als een voorwaarde waar is, kan de volgende aftrek worden gedaan".

Conclusies

Een waarschijnlijkheidsfactor wordt vaak gehecht aan de conclusie van elke productieregel en de uiteindelijke aanbeveling, omdat de totale conclusie geen absolute zekerheid is.

Een expertsysteem voor de diagnose van oculaire ziekten kan bijvoorbeeld erop wijzen dat volgens de verstrekte informatie een persoon heeft met een waarschijnlijkheid van 90%.

Bovendien kan de volgorde van regels worden getoond waardoor de conclusie is bereikt. De monitoring van deze keten helpt bij het evalueren van de geloofwaardigheid van de aanbeveling en is nuttig als een leermiddel.

Jongens

Gebaseerd op regels

In dit systeem wordt kennis weergegeven als een reeks regels. De regel is een directe en flexibele manier om kennis uit te drukken.

De regel bestaat uit twee delen: het "ja" -gedeelte, Conditie genoemd en het "toen" deel, aftrek genoemd. De basissyntaxis van een regel is: ja (voorwaarde) dan (aftrek).

Gebaseerd op diffuse logica

Wanneer u kennis wilt uiten met behulp van vage woorden als "heel klein", "matig moeilijk", "niet zo oud", kan diffuse logica worden gebruikt.

Deze logica wordt gebruikt om een ​​onnauwkeurige definitie te beschrijven. Het is gebaseerd op het idee dat alle dingen op een variabele schaal worden beschreven.

Klassieke logica werkt met twee zekerheidswaarden: true (1) en false (0). In diffuse logica worden alle zekerheidswaarden uitgedrukt met reële getallen binnen het interval tussen 0 en 1.

Diffuse logica vertegenwoordigt kennis op basis van een zekere mate van waarachtigheid, in plaats van de absolute waarheidsgetrouwheid van de klassieke logica.

Neuronaal

Met de voordelen van het op regels gebaseerde expertsysteem worden de voordelen van het neuronale netwerk ook gecombineerd, zoals leren, generalisatie, stevigheid en parallelle informatieverwerking.

Het kan u van dienst zijn: netwerktopologieën: concept, typen en hun kenmerken, voorbeelden

Dit systeem heeft een neuronale kennisbasis, in plaats van de traditionele kennisbasis. Kennis wordt opgeslagen als peso's in neuronen.

Met deze combinatie kan het neuronale expertsysteem zijn conclusies rechtvaardigen.

Neuronale difuso

Diffuse logica en neurale netwerken zijn complementaire hulpmiddelen om expertsystemen op te bouwen.

Diffuse systemen missen het vermogen om te leren en kunnen zich niet aanpassen aan een nieuwe omgeving. Aan de andere kant, hoewel neurale netwerken kunnen leren, is hun proces erg ingewikkeld voor de gebruiker.

Neuronale-diffuse-systemen kunnen de computer- en leermogelijkheden van het neuronale netwerk combineren met de weergave van menselijke kennis en de uitlegvaardigheden van diffuse systemen.

Als gevolg hiervan worden neurale netwerken transparanter, terwijl het diffuse systeem kan leren.

Voordelen

Beschikbaarheid

Expertsystemen zijn gemakkelijk beschikbaar, overal en op elk moment, vanwege de massaproductie van de software.

Verminderd risico

Een bedrijf kan een expert exploiteren in omgevingen die gevaarlijk zijn voor mensen. Ze kunnen worden gebruikt in een risicoomgeving waar mensen niet kunnen werken.

Zakelijke kennis

Ze kunnen een voertuig worden om organisatorische kennis te ontwikkelen, in tegenstelling tot de kennis van individuen in een bedrijf.

Verklaring van de reactie

Ze zijn in staat om een ​​adequate uitleg te geven van hun besluitvorming, waardoor ze in detail de redenering uiten die hen tot een antwoord leidde.

Wanneer ze worden gebruikt als trainingstools, resulteren ze in een snellere leercurve voor beginners.

Snel antwoord

Help snelle en precieze antwoorden te krijgen. Een expertsysteem kan zijn deel van de taken veel sneller voltooien dan een menselijke expert.

Laag foutenpercentage

Het foutenpercentage van succesvolle expertsystemen is vrij laag, soms veel lager dan het foutenpercentage van de mens voor dezelfde taak.

Antwoord zonder emoties

Expertsystemen werken zonder enthousiast te worden. Ze zetten geen gespannen, vermoeid of paniek en werken constant tijdens noodsituaties.

Duurzaamheid van kennis

Het expertsysteem handhaaft een aanzienlijk niveau van informatie. Deze kennisinhoud zal voor onbepaalde tijd duren.

Snelle prototypecreatie

Met een expertsysteem is het mogelijk om enkele regels aan te gaan en in dagen een prototype te ontwikkelen, in plaats van de maanden of jaren die gewoonlijk worden geassocieerd met complexe computerprojecten.

Meerdere ervaringen

Het expertsysteem kan worden ontworpen om de kennis van veel gekwalificeerde experts te bevatten en dus de mogelijkheid hebben om complexe problemen op te lossen.

Dit verlaagt de kosten om toevlucht te nemen tot deskundige consultants voor probleemoplossing. Ze zijn een voertuig om kennisbronnen te verkrijgen die moeilijk te krijgen is.

Nadelen

Kennisverwerving

Het is altijd moeilijk om de tijd van experts te verkrijgen in bepaalde gebieden voor elke softwaretoepassing, maar voor expertsystemen is het vooral moeilijk, omdat experts zeer worden gewaardeerd en voortdurend worden gevraagd door organisaties.

Als gevolg hiervan heeft een grote hoeveelheid onderzoek in de afgelopen jaren zich geconcentreerd op hulpmiddelen voor het verwerven van kennis, die helpen bij het automatiseren van het ontwerp, de zuivering en het onderhoud van de door experts gedefinieerde regels.

Systeemintegratie

De integratie van de systemen met de databases was moeilijk voor de eerste expertsystemen, omdat de tools voornamelijk in onbekende talen en platforms in bedrijfsomgevingen waren.

Kan u van dienst zijn: technisch product

Als gevolg hiervan is er veel moeite gedaan om de tools van expertsystemen te integreren met erfelijke omgevingen, waardoor de overdracht naar meer standaardplatforms werd overgedragen.

Deze problemen werden voornamelijk opgelost door de wijziging van het paradigma, omdat de pc's geleidelijk in de computeromgeving werden geaccepteerd als een legitiem platform voor de ontwikkeling van ernstige commerciële systemen.

Het verwerken van complexiteit

Door de grootte van de kennisbasis te vergroten, neemt de complexiteit van de verwerking toe.

Als een expertsysteem bijvoorbeeld 100 miljoen regels heeft, is het duidelijk dat het te complex zou zijn en veel rekenproblemen met zich meebrengt.

Een inferentiemotor moet een groot aantal regels kunnen verwerken om een ​​beslissing te nemen.

Als er te veel regels zijn, is het ook ingewikkeld dat deze beslissingsregels consistent zijn met elkaar.

Het is ook ingewikkeld om prioriteit te geven aan het gebruik van de regels om efficiënter te werken, of hoe u dubbelzinnigheden kunt oplossen.

Kennisupdate

Een probleem met betrekking tot de kennisbasis is hoe u snel en effectief updates kunt maken. Bovendien, hoe een nieuwe kennis toe te voegen, dat wil zeggen, waar u deze kunt toevoegen tussen zoveel regels.

Toepassingen

Diagnose en probleemoplossing

Het vat alle systemen samen die fouten afleiden en suggereren corrigerende acties voor een proces of apparaat dat slecht werkt.

Een van de eerste kennisgebieden waar de technologie van deskundige systemen werd toegepast, was medische diagnose. De diagnose van technische systemen overtrof echter snel de medische diagnose.

De diagnose kan worden uitgedrukt als: Gezien het bewijs dat zich voordoet, wat is het onderliggende probleem, de reden of oorzaak?

Planning en programmeren

Deze expertsystemen analyseren een reeks doelstellingen om een ​​reeks acties te bepalen die deze doelstellingen bereiken, en bieden een gedetailleerde volgorde van die acties in de loop van de tijd, rekening houdend met de materialen, personeel en andere beperkingen.

Voorbeelden zijn de programmering van vluchten en luchtvaartpersoneel en planning van productieprocessen.

Financiële beslissingen

Financieel adviessystemen zijn gecreëerd om bankiers te helpen bepalen of leningen aan particulieren en bedrijven.

Verzekeringsmaatschappijen gebruiken deze expertsystemen om het risico te evalueren dat de klant presenteert en zo de verzekeringsprijs bepalen.

Procesmonitoring en -controle

Ze analyseren in realtime de gegevens van fysieke apparaten, om afwijkingen op te merken, voorspellen trends en beheersen zowel optimalisatie als foutcorrectie.

Voorbeelden van deze systemen zijn in de olie- en staalproductie -industrie.

Kennisadvies

De primaire functie van deze toepassing is om aanzienlijke kennis te bieden voor het probleem van de gebruiker, binnen de omgeving van dat probleem.

Tot deze categorie behoren de twee expertsystemen die over de hele wereld met een grotere amplitude zijn gedistribueerd.

De eerste van deze systemen is een adviseur die de gebruiker adviseert over het juiste gebruik van grammatica in een tekst.

De tweede is een fiscale adviseur die aan een systeem is gehecht om belastingen voor te bereiden. Adviseur de gebruiker over een bepaalde belastingstrategie en beleid.

Referenties

1. Guru99 (2019). Intelligentie in kunstmatige expertsysteem: wat is, applicaties, voorbeeld. Genomen uit: guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Expert systeem. Genomen van: in.Wikipedia.borg.
3. Margaret Rouse (2019). Expert systeem. Techtarget. Uitgevoerd uit: zoekenterpriseai.Techtarget.com.
4. Vladimir Zwass (2019). Expert systeem. Encyclopaedia genomen uit: Britannica.com.
5. WTEC (2019). De toepassingen van expertsystemen. Genomen van: wtec.borg.
6. Viral Nagori (2014). Soorten expertsysteem: vergelijkende studie. Semantische geleerde.Genomen van: PDFS.Semanticscholar.borg.
7. World of Computing (2010). Expertsystemen. Uitgevoerd uit: intelligentie.WorldOfComputing.netto.