De expert system De definieras som datorsystem som efterliknar en mänsklig expert inom ett visst område. De använder både heuristiska strategier och fakta för att lösa komplexa beslutsproblem pålitligt och interaktivt.
De är utformade för att lösa mycket komplexa problem, resonera genom kunskapsbaser. Istället för att representeras med en procedurbaserad kod, gör de det i grund och botten med If-Then-regler.
De kan uttrycka sig själva och resonera kring något kunskapsfält, vilket gör att de kan lösa många problem som vanligtvis kräver en mänsklig expert. Expertsystem var föregångarna till dagens artificiella intelligens, djupinlärning och maskininlärningssystem.
Ett expertsystem kan inte ersätta en arbetares övergripande prestanda vid problemlösning. De kan dock dramatiskt minska mängden arbete som individen måste göra för att lösa ett problem och lämna de kreativa och innovativa aspekterna av problemlösning till människor..
De har spelat en viktig roll i många branscher, såsom finansiella tjänster, telekommunikation, sjukvård, kundtjänst, videospel och tillverkning..
Artikelindex
Ett expertsystem innehåller två delsystem: en kunskapsbas, som innehåller ackumulerade fakta och erfarenhet, och en slutsatsmotor, som är en uppsättning regler som ska tillämpas på kunskapsbasen eller kända fakta i varje enskild situation, för att härleda nya. fakta.
Systemfunktioner kan förbättras med tillägg till kunskapsbasen eller regeluppsättningen.
Till exempel kan dagens expertsystem också ha förmågan att lära sig automatiskt, så att de kan förbättra sina prestationer baserat på erfarenhet, precis som människor gör..
Dessutom kan moderna system lättare införliva ny kunskap och därmed enkelt uppdateras. Sådana system kan bättre generalisera från befintlig kunskap och hantera stora mängder komplexa data..
I slutet av 1950-talet började experiment med möjligheten att använda datorteknik för att efterlikna mänskligt beslutsfattande. Till exempel började datorstödda system skapas för diagnostiska applikationer inom medicin..
Dessa initiala diagnostiska system lade in patientsymtom och laboratorietestresultat i systemet för att generera en diagnos som ett resultat. Dessa var de tidigaste formerna av expertsystem.
I början av 60-talet utvecklades program som löste väldefinierade problem. Till exempel spel eller maskinöversättningar.
Dessa program krävde intelligenta resonemangstekniker för att hantera de logiska och matematiska problemen som presenterades, men krävde inte mycket ytterligare kunskap..
Forskare började inse att program för att lösa många intressanta problem inte bara var tvungna att kunna tolka problemen utan också behövde grundläggande kunskaper för att fullt ut 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, USA..
Feigenbaum förklarade att världen flyttade från databehandling till kunskapshantering tack vare ny processorteknik och datorarkitektur.
I slutet av sextiotalet utvecklades ett av de första expertsystemen, kallat Dendral, för analys av kemiska föreningar..
Dendrals kunskap bestod av hundratals regler som beskrev interaktioner mellan kemiska föreningar. Dessa regler var resultatet av år av samarbete mellan kemister och datavetare.
Expertsystem började sprida sig under 1980-talet. Många av Fortune 500-företagen använde denna teknik i sin dagliga affärsverksamhet.
På 1990-talet integrerade många leverantörer av affärsapplikationer, såsom Oracle och SAP, kapaciteten hos expertsystem i sin produktsvit som ett sätt att förklara affärslogik..
Ett expertsystem måste erbjuda högsta kompetens. Ger effektivitet, precision och fantasifull problemlösning.
Användaren interagerar med expertsystemet under en ganska rimlig tidsperiod. Tiden för denna interaktion måste vara mindre än den tid som en expert tar för att få den mest exakta lösningen för samma problem..
Expertsystemet måste ha god tillförlitlighet. För att göra detta får du inte göra något slags misstag.
Expertsystemet måste ha en effektiv mekanism för att kunna hantera det kunskapskompendium som finns i det..
Ett expertsystem måste kunna hantera utmanande problem och fatta rätt beslut för att tillhandahålla lösningar..
Det är en organiserad datainsamling som motsvarar systemets erfarenhet.
Genom intervjuer och observationer med mänskliga experter måste fakta som utgör kunskapsbasen tas.
Tolkar och utvärderar fakta i kunskapsbasen genom regler för att ge en rekommendation eller slutsats.
Denna kunskap representeras i form av If-Then-produktionsregler: "Om ett villkor är sant kan följande avdrag göras".
Ofta är en sannolikhetsfaktor kopplad till slutsatsen av varje produktionsregel och till den slutliga rekommendationen, eftersom den slutsats som nås inte är en absolut säkerhet..
Ett expertsystem för diagnos av ögonsjukdomar kan till exempel indikera, baserat på informationen, att en person har glaukom med en sannolikhet på 90%.
Dessutom kan sekvensen av regler genom vilken slutsatsen nåddes visas. Övervakning av denna kedja hjälper till att bedöma rekommendationens trovärdighet och är användbart som inlärningsverktyg.
I detta system representeras kunskap som en uppsättning regler. Regeln är ett direkt och flexibelt sätt att uttrycka kunskap.
Regeln består av två delar: "Om" -delen, kallad villkoret, och "Sedan" -delen, kallad avdrag. Den grundläggande syntaxen för en regel är: If (villkor) Då (avdrag).
När du vill uttrycka kunskap med vaga ord som "mycket reducerad", "måttligt svår", "inte så gammal", kan du använda suddig logik.
Denna logik används för att beskriva en exakt definition. Det bygger på tanken att alla saker beskrivs i glidande skala.
Klassisk logik fungerar med två säkerhetsvärden: True (1) och False (0). I suddig logik uttrycks alla säkerhetsvärden som reella tal inom intervallet mellan 0 och 1.
Fuzzy logic representerar kunskap baserad på en viss sanning, snarare än den absoluta sanningen i klassisk logik..
Fördelarna med det regelbaserade expertsystemet kombinerar också fördelarna med det neurala nätverket, såsom inlärning, generalisering, robusthet och parallell informationsbehandling..
Detta system har en neural kunskapsbas snarare än den traditionella kunskapsbasen. Kunskap lagras som vikter i nervceller.
Denna kombination gör det möjligt för det neurala expertsystemet att motivera sina slutsatser..
Luddig logik och neurala nätverk är kompletterande verktyg för att bygga expertsystem.
Fuzzy-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..
Neural-fuzzy system kan kombinera dator- och inlärningsfunktionerna i det neurala nätverket med representation av mänsklig kunskap och fuzzy systems förklaringsfärdigheter..
Som ett resultat blir neurala nätverk mer transparenta, medan det fuzzy systemet blir kapabelt att lära sig..
Expertsystem är lätt tillgängliga, var som helst, när som helst, på grund av massproduktion av programvaran.
Ett företag kan driva ett expertsystem i miljöer som är farliga för människor. De kan användas i alla farliga miljöer där människor inte kan arbeta.
De kan bli ett medel för att utveckla organisationskunskap, i motsats till kunskapen hos individer i ett företag.
De kan ge en tillräcklig förklaring av sitt beslutsfattande och uttrycka i detalj resonemanget som ledde till ett svar.
När de används som träningsverktyg resulterar de i en snabbare inlärningskurva för nybörjare.
Hjälper till att få snabba och korrekta svar. Ett expertsystem kan slutföra sin andel av uppgifter mycket snabbare än en mänsklig expert.
Felfrekvensen för framgångsrika expertsystem är ganska låg, ibland mycket lägre än den mänskliga felfrekvensen för samma uppgift..
Expertsystem fungerar utan att bli upphetsade. De blir inte spända, trötta eller panikiga, och de arbetar stadigt under nödsituationer.
Expertsystemet har en betydande informationsnivå. Denna innehållna kunskap kommer att pågå på obestämd tid.
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 förknippade med komplexa IT-projekt.
Expertsystemet kan utformas för att innehålla kunskaper från många kvalificerade experter och därmed ha förmågan att lösa komplexa problem.
Detta minskar kostnaden för konsulter experter problemlösning konsulter. De är ett medel för att få kunskapskällor som är svåra att få.
Det är alltid svårt att få tid för experter inom vissa områden för någon programvara, men för expertsystem är det särskilt svårt, eftersom experter är mycket uppskattade och ständigt begärs av organisationer..
Som en konsekvens har en stor mängd forskning de senaste åren fokuserat på verktyg för kunskapsförvärv, som hjälper till att automatisera processen för design, felsökning och underhåll av de regler som definieras av experter..
Integrationen av systemen med databaserna var svår för de första expertsystemen, eftersom verktygen huvudsakligen fanns på språk och plattformar som inte var kända i företagsmiljöer..
Som ett resultat gjordes en stor insats för att integrera expertsystemverktyg med äldre miljöer, vilket gjorde överföringen till mer standardplattformar..
Dessa problem löstes huvudsakligen genom paradigmskiftet, eftersom datorer successivt accepterades i datormiljön som en legitim plattform för utveckling av seriösa affärssystem..
Att öka kunskapsbasens storlek ökar komplexiteten i behandlingen.
Till exempel, om ett expertsystem har 100 miljoner regler är det uppenbart att det skulle vara för komplext, och det skulle möta många beräkningsproblem.
En slutsatsmotor måste kunna bearbeta ett stort antal regler för att fatta beslut.
När det finns för många regler är det också svårt att verifiera att dessa beslutsregler är förenliga med varandra..
Det är också svårt att prioritera användningen av reglerna för att fungera mer effektivt eller hur man löser tvetydigheter..
Ett problem relaterat till kunskapsbasen är hur man gör uppdateringar snabbt och effektivt. Hur man lägger till en ny kunskap, det vill säga var man ska lägga till den bland så många regler.
Sammanfattar alla system som härledar fel och föreslår korrigerande åtgärder för en felaktig process eller enhet.
Ett av de första kunskapsområdena där expertsystemstekniken användes var medicinsk diagnos. Emellertid överträffade diagnostik för systemsystem snabbare än medicinsk diagnostik.
Diagnosen kan uttryckas som: med tanke på de presenterade bevisen, vad är det bakomliggande problemet, orsaken eller orsaken?
Dessa expertsystem analyserar en uppsättning mål för att bestämma en uppsättning åtgärder som uppnår dessa mål, och ger en detaljerad ordning av dessa åtgärder över tid, med beaktande av material, personal och andra begränsningar..
Exempel är flygpersonal och flygplanering samt tillverkningsprocessplanering.
Finansiella rådgivningssystem har skapats för att hjälpa bankirer att avgöra om de ska göra lån till privatpersoner och företag..
Försäkringsbolagen använder dessa expertsystem för att bedöma risken som kunden utgör och därmed fastställa priset på försäkring.
De analyserar data från fysiska enheter i realtid för att märka avvikelser, förutsäga trender och kontrollera både optimering och korrigering av fel.
Exempel på dessa system är inom oljeraffinering och ståltillverkning..
Den här applikationens primära funktion är att tillhandahålla meningsfull kunskap för användarens problem, inom miljön för det problemet..
De två expertsystemen som är mest spridda över hela världen tillhör denna kategori..
Det första av dessa system är en rådgivare som ger användaren råd om korrekt användning av grammatik i en text.
Den andra är en skatterådgivare som är knuten till ett system för att förbereda skatter. Rådgör användaren om strategin och särskilda skattepolicyer.
Ingen har kommenterat den här artikeln än.