The expertní systémy Jsou definovány jako počítačové systémy, které napodobují rozhodovací kapacitu lidského odborníka v konkrétní oblasti. Využívají heuristické strategie i fakta k spolehlivému a interaktivnímu řešení složitých rozhodovacích problémů.
Jsou navrženy tak, aby řešily velmi složité problémy s uvažováním prostřednictvím znalostních bází. Místo toho, aby byli zastoupeni procedurálním kódem, dělají to v zásadě s pravidly If-Then.
Jsou schopni vyjádřit a uvažovat o nějaké oblasti znalostí, která jim umožňuje řešit mnoho problémů, které by obecně vyžadovaly lidského odborníka. 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 dramaticky snížit množství práce, kterou musí jednotlivec udělat, aby vyřešil problém, přičemž kreativní a inovativní aspekty řešení problémů ponechají na lidech..
Hrají důležitou roli v mnoha průmyslových odvětvích, jako jsou finanční služby, telekomunikace, zdravotnictví, zákaznický servis, videohry a výroba..
Rejstřík článků
Expertní systém zahrnuje dva subsystémy: znalostní základnu, která obsahuje nashromážděná fakta a zkušenosti, a odvozovací stroj, což je soubor pravidel, která se vztahují na znalostní základnu nebo známá fakta v každé konkrétní situaci, aby bylo možné odvodit nové. fakta.
Možnosti systému lze rozšířit přidáním znalostní báze nebo sady pravidel.
Například dnešní expertní systémy mohou mít také schopnost automaticky se učit, což jim umožňuje zlepšit jejich výkon na základě zkušeností, stejně jako to dělají lidé..
Kromě toho mohou moderní systémy snadněji začleňovat nové znalosti, a tak je lze snadno aktualizovat. Takové systémy mohou lépe generalizovat ze stávajících znalostí a zvládnout velké množství složitých dat..
Na konci 50. let 20. století začaly experimenty s možností využití počítačové technologie k napodobování lidského rozhodování. Začaly se například vytvářet systémy podporované počítačem pro diagnostické aplikace v medicíně..
Tyto počáteční diagnostické systémy zadaly do systému příznaky pacienta a výsledky laboratorních testů, aby jako výsledek vygenerovaly diagnózu. Jednalo se o nejranější formy expertních systémů.
Na začátku šedesátých let byly vyvinuty programy, které řešily přesně definované problémy. Například hry nebo strojové překlady.
Tyto programy vyžadovaly techniky inteligentního uvažování, aby zvládly logické a matematické problémy, které byly prezentovány, ale nevyžadovaly mnoho dalších znalostí..
Vědci si začali uvědomovat, že k řešení mnoha zajímavých problémů musí programy nejen být schopny problémy interpretovat, ale potřebovat také základní znalosti, aby jim plně porozuměly..
To postupně vedlo k vývoji expertních systémů, které se více zaměřovaly na znalosti.
Koncept expertních systémů formálně vytvořil v roce 1965 Edward Feigenbaum, profesor na Stanford University v USA..
Feigenbaum vysvětlil, že svět přechází od zpracování dat ke zpracování znalostí díky nové procesorové technologii a počítačové architektuře.
Na konci šedesátých let byl vyvinut jeden z prvních expertních systémů s názvem Dendral zabývající se analýzou chemických sloučenin.
Dendralovy znalosti sestávaly ze stovek pravidel, která popisovala interakce chemických sloučenin. Tato pravidla byla výsledkem dlouholeté spolupráce mezi chemiky a počítačovými vědci.
Expertní systémy se začaly šířit v 80. letech. Mnoho společností z žebříčku Fortune 500 použilo tuto technologii ve svých každodenních obchodních aktivitách.
V 90. letech integrovalo mnoho prodejců podnikových aplikací, jako jsou Oracle a SAP, do svých produktových sad možnosti expertních systémů jako způsob vysvětlení obchodní logiky..
Systém odborníků musí nabízet nejvyšší úroveň odbornosti. Poskytuje efektivitu, přesnost a nápadité řešení problémů.
Uživatel interaguje s expertním systémem po poměrně rozumnou dobu. Čas této interakce musí být kratší než čas, který expert potřebuje k získání nejpřesnějšího řešení stejného problému..
Expertní systém musí mít dobrou spolehlivost. K tomu nesmíte dělat žádnou chybu.
Expertní systém musí mít účinný mechanismus, aby byl schopen spravovat výtah znalostí v něm existujících..
Expertní systém musí být schopen zvládnout náročné problémy a správně se rozhodovat, aby poskytl řešení..
Jedná se o organizovaný sběr dat odpovídající rozsahu zkušeností systému.
Prostřednictvím rozhovorů a pozorování s odborníky na člověka je třeba brát fakta, která tvoří znalostní základnu.
Interpretuje a hodnotí fakta ve znalostní bázi pomocí pravidel s cílem poskytnout doporučení nebo závěr.
Tato znalost je vyjádřena ve formě výrobních pravidel If-Then: „Je-li podmínka pravdivá, lze provést následující odpočet“.
Závěr každého produkčního pravidla a konečné doporučení často souvisí s faktorem pravděpodobnosti, protože dosažený závěr není absolutní jistotou..
Například odborný systém pro diagnostiku očních onemocnění by mohl na základě poskytnutých informací naznačit, že osoba má glaukom s pravděpodobností 90%.
Kromě toho lze ukázat posloupnost pravidel, kterými bylo dosaženo závěru. Monitorování tohoto řetězce pomáhá posoudit důvěryhodnost doporučení a je užitečné jako nástroj učení.
V tomto systému jsou znalosti představovány jako soubor pravidel. Pravidlo je přímý a flexibilní způsob vyjadřování znalostí.
Pravidlo se skládá ze dvou částí: části „If“, která se nazývá podmínka, a části „Then“, která se nazývá odpočet. Základní syntaxe pravidla je: If (podmínka) Then (deduction).
Pokud chcete vyjádřit znalosti pomocí neurčitých slov jako „velmi omezený“, „středně obtížný“, „ne tak starý“, můžete použít fuzzy logiku.
Tato logika se používá k popisu nepřesné definice. Je založen na myšlence, že všechny věci jsou popsány v klouzavém měřítku.
Klasická logika pracuje se dvěma hodnotami jistoty: True (1) a False (0). Ve fuzzy logice jsou všechny hodnoty jistoty vyjádřeny jako reálná čísla v intervalu mezi 0 a 1.
Fuzzy logika představuje znalosti založené na míře pravdivosti, spíše než na absolutní pravdivosti klasické logiky..
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 základnu. Znalosti jsou ukládány jako váhy v neuronech.
Tato kombinace umožňuje systému neurálních expertů zdůvodnit své závěry..
Fuzzy logika a neuronové sítě jsou doplňkové nástroje 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..
Neuronové fuzzy systémy mohou kombinovat výpočetní a výukové schopnosti neuronové sítě se znázorněním lidských znalostí a schopnostmi fuzzy systémů vysvětlovat..
Výsledkem je, že neuronové sítě se stávají transparentnějšími, zatímco fuzzy systém je schopen se učit..
Expertní systémy jsou díky hromadné výrobě softwaru snadno dostupné kdekoli a kdykoli.
Společnost může provozovat odborný systém v prostředích, která jsou nebezpečná pro člověka. Mohou být použity v jakémkoli nebezpečném prostředí, kde lidé nemohou pracovat.
Mohou se stát prostředkem k rozvoji organizačních znalostí, na rozdíl od znalostí jednotlivců ve společnosti.
Jsou schopni adekvátně vysvětlit své rozhodování a podrobně vyjádřit důvody, které vedly k odpovědi.
Pokud se použijí jako tréninkové nástroje, povedou k rychlejší křivce učení pro začátečníky.
Pomáhá získat rychlé a přesné odpovědi. Expertní systém může dokončit svůj podíl úkolů mnohem rychleji než lidský expert.
Míra chyb úspěšných expertních systémů je poměrně nízká, někdy mnohem nižší než míra lidské chyby u stejného úkolu..
Expertní systémy fungují bez nadšení. Nedostávají napětí, únavu nebo paniku a v nouzových situacích neustále pracují.
Expertní systém udržuje významnou úroveň informací. Tato obsažená znalost bude trvat neurčitě.
Díky expertnímu systému je možné zadat některá pravidla a vyvinout prototyp za několik dní, namísto měsíců nebo let běžně spojených se složitými IT projekty.
Expertní systém může být navržen tak, aby obsahoval znalosti mnoha kvalifikovaných odborníků a měl tak schopnost řešit složité problémy.
To snižuje náklady na konzultaci s odborníky na řešení problémů. Jsou prostředkem k získávání zdrojů znalostí, které je obtížné získat.
Získat čas odborníků v konkrétních oborech pro jakoukoli softwarovou aplikaci je vždy obtížné, ale pro expertní systémy je to obzvláště obtížné, protože odborníci jsou vysoce oceňováni a neustále požadováni organizacemi..
V důsledku toho se velké množství výzkumu v posledních letech zaměřilo na nástroje pro získávání znalostí, které pomáhají automatizovat proces návrhu, ladění a údržby pravidel definovaných odborníky..
Integrace systémů s databázemi byla pro první expertní systémy obtížná, protože nástroje byly hlavně v jazycích a platformách, které nejsou známy v podnikových prostředích..
V důsledku toho bylo vynaloženo velké úsilí na integraci expertních systémových nástrojů se staršími prostředími, což umožnilo přechod na více standardních platforem..
Tyto problémy byly vyřešeny hlavně změnou paradigmatu, protože počítače byly ve výpočetním prostředí postupně přijímány jako legitimní platforma pro vývoj seriózních podnikových systémů..
Zvětšení velikosti znalostní báze 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 modul by musel být schopen zpracovat velké množství pravidel, aby mohl učinit rozhodnutí.
Pokud je pravidel příliš mnoho, je také obtížné ověřit, zda jsou tato pravidla rozhodování navzájem konzistentní..
Je také obtížné upřednostnit používání pravidel pro efektivnější fungování nebo řešení nejasností..
Jedním z problémů týkajících se znalostní báze je, jak provádět aktualizace rychle a efektivně. Také, jak přidat nové znalosti, tj. Kam je přidat mezi tolik pravidel.
Shrnuje všechny systémy, které odvozují selhání, a navrhuje nápravná opatření pro nefunkční proces nebo zařízení.
Jednou z prvních oblastí znalostí, kde byla použita expertní systémová technologie, byla lékařská diagnostika. Diagnostika technických systémů však rychle překonala lékařskou diagnostiku.
Diagnóza může být vyjádřena jako: vzhledem k předloženým důkazům, jaký je základní problém, důvod nebo příčina?
Tyto expertní systémy analyzují soubor cílů a určují soubor akcí, kterými se tyto cíle dosahují, a poskytují podrobné uspořádání těchto akcí v průběhu času s přihlédnutím k materiálům, personálu a dalším omezením..
Jako příklady lze uvést personál leteckých společností, plánování letů a plánování výrobních procesů.
Byly vytvořeny systémy finančního poradenství, které bankéřům pomohou určit, zda mají poskytovat půjčky jednotlivcům a společnostem..
Pojišťovny využívají tyto expertní systémy k hodnocení rizika, které klient představuje, a ke stanovení ceny pojištění.
Analyzují data fyzických zařízení v reálném čase, aby si všimli anomálií, předpovídali trendy a řídili optimalizaci i nápravu poruch..
Příklady těchto systémů jsou v ropném a ocelářském průmyslu..
Primární funkcí této aplikace je poskytnout smysluplné znalosti o problému uživatele v prostředí daného problému..
Do této kategorie patří dva expertní systémy, které jsou nejrozšířenější po celém světě..
Prvním z těchto systémů je poradce, který uživateli radí, jak správně používat gramatiku v textu.
Druhým je daňový poradce připojený k systému pro přípravu daní. Poskytuje uživateli poradenství ohledně strategie a konkrétních daňových politik.
Zatím žádné komentáře