ЭКСПЕРТНЫЕ СИСТЕМЫ: ИСТОРИЯ, ХАРАКТЕРИСТИКИ, ПРЕИМУЩЕСТВА, НЕДОСТАТКИ - ТЕХНОЛОГИЯ - 2025

В Экспертные системы определяются как системы , которые имитируют процесс принятия решений способность эксперта человека в той или иной области. Они используют как эвристические стратегии, так и факты для надежного и интерактивного решения сложных задач принятия решений.

Они предназначены для решения очень сложных задач, рассуждая через базы знаний. Вместо того, чтобы быть представленными процедурным кодом, они в основном представлены правилами If-Then.

Источник: pixabay.com

Они могут выражать свое мнение и рассуждать о некоторых областях знаний, что позволяет им решать многие проблемы, для решения которых обычно требуется специалист-человек. Экспертные системы были предшественниками сегодняшних систем искусственного интеллекта, глубокого обучения и машинного обучения.

Экспертная система не может заменить общую производительность рабочего при устранении неполадок. Однако они могут резко сократить объем работы, которую человек должен выполнить для решения проблемы, оставляя творческие и новаторские аспекты решения проблем людям.

Они сыграли важную роль во многих отраслях, таких как финансовые услуги, телекоммуникации, здравоохранение, обслуживание клиентов, видеоигры и производство.

Емкость системы

Экспертная система включает две подсистемы: базу знаний, которая содержит накопленные факты и опыт, и механизм вывода, который представляет собой набор правил, применяемых к базе знаний или известным фактам в каждой конкретной ситуации, чтобы вывести новые. действует.

Возможности системы можно расширить с помощью дополнений к базе знаний или набору правил.

Например, современные экспертные системы могут также обладать способностью к автоматическому обучению, что позволяет им улучшать свою работу на основе опыта, как это делают люди.

Кроме того, современные системы могут легче включать новые знания и, следовательно, легко обновляться. Такие системы могут лучше обобщать существующие знания и обрабатывать большие объемы сложных данных.

История

- Начальные разработки

В конце 1950-х годов начались эксперименты с возможностью использования компьютерных технологий для имитации принятия решений человеком. Например, для диагностических приложений в медицине начали создаваться автоматизированные системы.

Эти первичные диагностические системы вводили симптомы пациента и результаты лабораторных анализов в систему для постановки диагноза в результате. Это были первые формы экспертных систем.

- Основные события

В начале шестидесятых годов были разработаны программы, решавшие четко поставленные задачи. Например, игры или машинный перевод.

Эти программы требовали интеллектуальных методов рассуждения для решения поставленных логических и математических задач, но они не требовали особых дополнительных знаний.

Исследователи начали понимать, что для решения многих интересных задач программы должны не только уметь интерпретировать проблемы, но и должны иметь базовые знания для их полного понимания.

Это постепенно привело к развитию экспертных систем, больше ориентированных на знания.

Концепция экспертных систем была официально разработана в 1965 году Эдвардом Фейгенбаумом, профессором Стэнфордского университета, США.

Фейгенбаум объяснил, что мир переходит от обработки данных к обработке знаний благодаря новой процессорной технологии и компьютерной архитектуре.

Дендраль

В конце 1960-х годов была разработана одна из первых экспертных систем под названием Dendral, предназначенная для анализа химических соединений.

Знания Дендрала состояли из сотен правил, описывающих взаимодействие химических соединений. Эти правила стали результатом многолетнего сотрудничества химиков и ученых-информатиков.

- Зрелость

Экспертные системы начали распространяться в 1980-х годах. Многие из компаний из списка Fortune 500 применяют эту технологию в своей повседневной деятельности.

В 1990-х годах многие поставщики бизнес-приложений, такие как Oracle и SAP, интегрировали возможности экспертных систем в свой набор продуктов для объяснения бизнес-логики.

характеристики

- Уровень опыта

Экспертная система должна предлагать высочайший уровень знаний. Обеспечивает эффективность, точность и творческое решение проблем.

- реакция вовремя

Пользователь взаимодействует с экспертной системой в течение довольно разумного периода времени. Время этого взаимодействия должно быть меньше времени, которое требуется эксперту для получения наиболее точного решения той же проблемы.

- надежность

Экспертная система должна обладать хорошей надежностью. Для этого вы не должны допускать ошибок.

- Эффективный механизм

Экспертная система должна иметь эффективный механизм управления существующим в ней сборником знаний.

- Решать проблемы

Экспертная система должна уметь справляться со сложными проблемами и принимать правильные решения для поиска решений.

- Составные части

База знаний

Это организованный сбор данных, соответствующий объему опыта работы с системой.

Факты, составляющие базу знаний, должны быть взяты посредством интервью и наблюдений с экспертами-людьми.

Механизм логического вывода

Интерпретируйте и оцените факты в базе знаний с помощью правил, чтобы дать рекомендацию или заключение.

Это знание представлено в форме правил производства If-Then: «Если условие истинно, то можно сделать следующий вывод».

Выводы

Часто к заключению каждого производственного правила и к окончательной рекомендации добавляется фактор вероятности, потому что сделанный вывод не является абсолютной достоверностью.

Например, экспертная система диагностики глазных болезней может указывать на основе предоставленной информации, что у человека есть глаукома с вероятностью 90%.

Также может быть показана последовательность правил, по которым был сделан вывод. Мониторинг этой цепочки помогает оценить надежность рекомендации и полезен как инструмент обучения.

Типы

Основанный на правилах

В этой системе знания представлены в виде набора правил. Правило - это прямой и гибкий способ выражения знаний.

Правило состоит из двух частей: части «Если», называемой условием, и части «Тогда», называемой дедукцией. Основной синтаксис правила: Если (условие) То (вычет).

На основе нечеткой логики

Если вы хотите выразить знания, используя расплывчатые слова, такие как «очень мало», «умеренно сложно», «не так уж и старые», можно использовать нечеткую логику.

Эта логика используется для описания неточного определения. В его основе лежит идея, что все описывается по скользящей шкале.

Классическая логика работает с двумя значениями достоверности: Истина (1) и Ложь (0). В нечеткой логике все значения достоверности выражаются действительными числами в диапазоне от 0 до 1.

Нечеткая логика представляет собой знание, основанное на определенной степени правдивости, а не на абсолютной правдивости классической логики.

Нейронный

Преимущества экспертной системы на основе правил также сочетают в себе преимущества нейронной сети, такие как обучение, обобщение, надежность и параллельная обработка информации.

Эта система имеет нейронную базу знаний, а не традиционную базу знаний. Знания хранятся в нейронах в виде весов.

Эта комбинация позволяет нейроэкспертной системе обосновывать свои выводы.

Нейронально-диффузный

Нечеткая логика и нейронные сети - дополнительные инструменты для построения экспертных систем.

Нечетким системам не хватает способности к обучению и они не могут адаптироваться к новой среде. С другой стороны, хотя нейронные сети могут обучаться, их процесс очень сложен для пользователя.

Нейронно-нечеткие системы могут сочетать вычислительные и обучающие возможности нейронной сети с представлением человеческих знаний и навыками объяснения нечетких систем.

В результате нейронные сети становятся более прозрачными, а нечеткая система - способной к обучению.

преимущество

Доступность

Экспертные системы доступны в любом месте и в любое время благодаря массовому производству программного обеспечения.

Сниженный риск

Компания может эксплуатировать экспертную систему в опасной для человека среде. Их можно использовать в любой опасной среде, где люди не могут работать.

Деловые знания

Они могут стать средством развития организационных знаний в отличие от знаний отдельных лиц в компании.

Объяснение ответа

Они могут дать адекватное объяснение своего решения, подробно излагая рассуждения, которые привели к ответу.

При использовании в качестве обучающих инструментов они ускоряют обучение новичков.

Быстрый ответ

Помогает получать быстрые и точные ответы. Экспертная система может выполнять свою часть задач намного быстрее, чем человек-эксперт.

Низкая частота ошибок

Частота ошибок успешных экспертных систем довольно низка, иногда намного ниже, чем частота ошибок человека при выполнении той же задачи.

Безэмоциональный ответ

Экспертные системы работают без азарта. Они не нервничают, не утомляются и не паникуют, а во время чрезвычайных ситуаций работают стабильно.

Постоянство знаний

Экспертная система поддерживает значительный уровень информации. Это содержащееся в нем знание будет длиться бесконечно.

Быстрое прототипирование

С помощью экспертной системы можно ввести некоторые правила и разработать прототип за несколько дней, а не за месяцы или годы, обычно связанные со сложными ИТ-проектами.

Множественный опыт

Экспертная система может быть спроектирована так, чтобы содержать знания многих квалифицированных экспертов и, таким образом, иметь возможность решать сложные проблемы.

Это снижает расходы на консультации экспертов по решению проблем. Они являются средством получения труднодоступных источников знаний.

Недостатки

Приобретение знаний

Всегда сложно получить время экспертов в определенных областях для любого программного приложения, но для экспертных систем это особенно сложно, потому что эксперты высоко ценятся и постоянно запрашиваются организациями.

Как следствие, в последние годы большое количество исследований было сосредоточено на инструментах для получения знаний, которые помогают автоматизировать процесс проектирования, отладки и поддержания правил, определенных экспертами.

Системная интеграция

Интеграция систем с базами данных была трудной для первых экспертных систем, потому что инструменты были в основном на языках и платформах, неизвестных в корпоративных средах.

В результате были приложены большие усилия для интеграции инструментов экспертных систем с унаследованными средами, что привело к переходу на более стандартные платформы.

Эти проблемы были решены в основном за счет смены парадигмы, поскольку ПК постепенно принимались в вычислительной среде в качестве законной платформы для разработки серьезных бизнес-систем.

Сложность обработки

Увеличение размера базы знаний увеличивает сложность обработки.

Например, если экспертная система имеет 100 миллионов правил, очевидно, что она будет слишком сложной и столкнется с множеством вычислительных проблем.

Чтобы принять решение, машина вывода должна уметь обрабатывать большое количество правил.

Когда существует слишком много правил, также трудно проверить, согласуются ли эти правила принятия решений друг с другом.

Также трудно определить приоритеты использования правил, чтобы работать более эффективно или как разрешить двусмысленность.

Обновление знаний

Одна из проблем, связанных с базой знаний, заключается в том, как быстро и эффективно делать обновления. Кроме того, как добавить новые знания, то есть где их добавить среди множества правил.

Приложения

Диагностика и устранение неисправностей

Он обобщает все системы, выявляющие неисправности, и предлагает корректирующие действия для неисправного процесса или устройства.

Одной из первых областей знаний, где была применена технология экспертных систем, была медицинская диагностика. Однако диагностика инженерных систем быстро превзошла медицинскую.

Диагноз может быть выражен следующим образом: учитывая представленные доказательства, какова основная проблема, причина или причина?

Планирование и составление графиков

Эти экспертные системы анализируют набор целей, чтобы определить набор действий, которые достигают этих целей, обеспечивая подробный порядок этих действий с течением времени, учитывая материалы, персонал и другие ограничения.

Примеры включают укомплектование персоналом авиакомпаний и планирование полетов, а также планирование производственного процесса.

Финансовые решения

Были созданы системы финансового консультирования, чтобы помочь банкирам определить, предоставлять ли ссуды частным лицам и компаниям.

Страховые компании используют эти экспертные системы для оценки риска, который представляет клиент, и, таким образом, определения цены страховки.

Мониторинг и контроль процессов

Они анализируют данные с физических устройств в режиме реального времени, чтобы замечать аномалии, прогнозировать тенденции и управлять как оптимизацией, так и исправлением ошибок.

Примеры таких систем - в нефтеперерабатывающей и сталеплавильной промышленности.

Консультации по знаниям

Основная функция этого приложения - дать содержательное представление о проблеме пользователя в среде этой проблемы.

К этой категории относятся две наиболее распространенные в мире экспертные системы.

Первая из этих систем - это советник, который советует пользователю правильно использовать грамматику в тексте.

Второй - налоговый консультант, подключенный к системе подготовки налогов. Консультирует пользователя по стратегии и конкретной налоговой политике.

Ссылки

1. Guru99 (2019). Экспертная система в искусственном интеллекте: что такое, приложения, пример. Взято с: guru99.com.
2. Википедия, бесплатная энциклопедия (2019). Экспертная система. Взято с: en.wikipedia.org.
3. Маргарет Роуз (2019). Экспертная система. Techtarget. Взято с: searchchenterpriseai.techtarget.com.
4. Владимир Звасс (2019). Экспертная система. Энциклопедия Взято с: britannica.com.
5. Wtec (2019). Приложения экспертных систем. Взято с сайта: wtec.org.
6. Вирусные Нагори (2014). Типы экспертных систем: сравнительное исследование. Semantic Scholar Взято с: pdfs.semanticscholar.org.
7. Мир вычислений (2010). Экспертные системы. Взято с: Intelligence.worldofcomputing.net.