Storia dei sistemi di esperti, caratteristiche, vantaggi, svantaggi

IL sistemi esperti Sono definiti come sistemi informatici che emulano la capacità di decisione di un esperto umano in una determinata area. Usano sia strategie e fatti euristiche che per risolvere complessi problemi di decisione in modo affidabile e interattivo.

Sono progettati per risolvere problemi ad alta complessità, ragionamento attraverso le basi di conoscenza. Invece di essere rappresentati con un codice basato sulla procedura, fondamentalmente lo fanno con le regole di allora.

Fonte: Pixabay.com

Sono in grado di esprimersi e ragioni su un campo di conoscenza, il che consente loro di risolvere molti problemi che richiederebbero generalmente un esperto umano. I sistemi di esperti erano i predecessori degli attuali sistemi di intelligenza artificiale, apprendimento profondo e apprendimento automatico.

Un sistema esperto non può sostituire le prestazioni generali di un lavoratore nell'attività di risoluzione dei problemi. Tuttavia, possono ridurre drasticamente la quantità di lavoro che l'individuo deve svolgere per risolvere un problema, lasciando le persone gli aspetti creativi e innovativi della risoluzione dei problemi.

Hanno svolto un ruolo importante in molti settori, come servizi finanziari, telecomunicazioni, cure mediche, servizio clienti, videogiochi e produzione.

[TOC]

Capacità del sistema

Un sistema esperto incorpora due sottosistemi: una base di conoscenza, che contiene fatti ed esperienze accumulate e un motore di inferenza, che è un insieme di regole da applicare alla base di conoscenza o fatti noti in ciascuna situazione particolare, al fine di dedurre nuovi fatti.

Le capacità di sistema possono essere migliorate con aggiunte alla base di conoscenza o al set di regole.

Ad esempio, i sistemi esperti di oggi possono anche avere la possibilità di imparare automaticamente, consentendo di migliorare le loro prestazioni in base all'esperienza, come fanno gli umani.

Inoltre, i sistemi moderni possono incorporare nuove conoscenze più facilmente e quindi essere aggiornati semplicemente. Tali sistemi possono generalizzare meglio dalle conoscenze esistenti e gestire grandi quantità di dati complessi.

Storia

- Sviluppi iniziali

Alla fine degli anni '50, la possibilità di utilizzare la tecnologia informatica per emulare la decisione che il decisione degli umani iniziò ad essere vissuta. Ad esempio, i sistemi assistiti da computer hanno iniziato a essere creati per applicazioni diagnostiche in medicina.

Questi sistemi diagnostici iniziali sono entrati nei sintomi dei pazienti e i risultati dei test di laboratorio per generare una diagnosi di conseguenza. Queste erano le prime forme di sistemi esperti.

- Sviluppi principali

Nei primi programmi degli anni sessanta sono stati sviluppati che hanno risolto i problemi ben definiti. Ad esempio, giochi o traduzioni automatiche.

Questi programmi hanno richiesto tecniche di ragionamento intelligenti per gestire i problemi logici e matematici presentati, ma non hanno richiesto molte conoscenze aggiuntive.

I ricercatori hanno iniziato a avvertire che al fine di risolvere molti problemi interessanti, i programmi non solo dovevano essere in grado di interpretare i problemi, ma avevano anche bisogno di conoscenze di base per capirli completamente.

Ciò ha portato gradualmente lo sviluppo di sistemi esperti, che si sono concentrati maggiormente sulla conoscenza.

Il concetto di sistemi esperti è stato formalmente sviluppato nel 1965 da Edward Feigenbaum, professore alla Stanford University, EE.Uu.

Feigenbaum ha spiegato che il mondo stava passando dall'elaborazione dei dati all'elaborazione delle conoscenze, grazie ai nuovi processori e alla tecnologia delle architetture di computer.

Denndrale

Alla fine degli anni sessanta è stato sviluppato uno dei primi sistemi di esperti, chiamato Denndrale, affrontando l'analisi dei composti chimici.

La conoscenza di Denndrale consisteva in centinaia di regole che descrivevano le interazioni dei composti chimici. Queste regole sono state il risultato di anni di collaborazione tra sostanze chimiche e computer.

Può servirti: tolleranze geometriche: simboli, dato ed esempi

- Scadenza

I sistemi esperti hanno iniziato a proliferare negli anni ottanta. Un gran numero di aziende Fortune 500 ha applicato questa tecnologia nelle loro attività commerciali quotidiane.

Negli anni '90, molti fornitori di applicazioni aziendali, come Oracle e SAP, hanno integrato le capacità dei sistemi esperti nei loro prodotti, come modo per spiegare la logica aziendale.

Caratteristiche

- Livello di esperienza

Un sistema esperto deve offrire il livello di esperienza più alto. Fornisce efficienza, precisione e risoluzione fantasiosa dei problemi.

- Reazione in tempo

L'utente interagisce con il sistema esperto per un periodo di tempo abbastanza prudenziale. Il tempo di questa interazione deve essere inferiore al tempo che per lo stesso problema viene preso un esperto per ottenere la soluzione più accurata.

- Affidabilità

Il sistema esperto deve avere una buona affidabilità. Per fare questo, non dovresti commettere alcun errore.

- Meccanismo efficace

Il sistema esperto deve avere un meccanismo efficiente per amministrare il compendio delle conoscenze esistenti in esso.

- Gestire i problemi

Un sistema esperto deve essere in grado di gestire problemi impegnativi e prendere le giuste decisioni per fornire soluzioni.

- Componenti

Base di conoscenza

È una raccolta di dati organizzata corrispondente al sistema di esperienza di sistema.

Attraverso interviste e osservazioni agli esperti umani, i fatti che compongono la base di conoscenza devono essere presi.

Motore di inferenza

Interpretare e valutare i fatti nella base di conoscenza attraverso le regole, al fine di fornire una raccomandazione o una conclusione.

Questa conoscenza è rappresentata sotto forma di regole di produzione si-anche: "Se una condizione è vera, allora è possibile eseguire la seguente detrazione".

Conclusioni

Un fattore di probabilità è spesso allegato alla conclusione di ciascuna regola di produzione e alla raccomandazione finale, poiché la conclusione raggiunta non è una certezza assoluta.

Ad esempio, un sistema esperto per la diagnosi di malattie oculari potrebbe indicare, secondo le informazioni fornite, che una persona ha il glaucoma con una probabilità del 90%.

Inoltre, la sequenza di regole può essere mostrata attraverso la quale è stata raggiunta la conclusione. Il monitoraggio di questa catena aiuta a valutare la credibilità della raccomandazione ed è utile come strumento di apprendimento.

Ragazzi

In base alle regole

In questo sistema la conoscenza è rappresentata come un insieme di regole. La regola è un modo diretto e flessibile di esprimere conoscenza.

La regola è composta da due parti: la parte "sì", chiamata condizione e la parte "allora", chiamata detrazione. La sintassi di base di una regola è: sì (condizione) quindi (detrazione).

Basato sulla logica diffusa

Quando si desidera esprimere conoscenza usando parole vaghe come "molto piccole", "moderatamente difficile", "non così vecchio", è possibile utilizzare una logica diffusa.

Questa logica viene utilizzata per descrivere una definizione imprecisa. Si basa sull'idea che tutte le cose siano descritte su scala variabile.

La logica classica opera con due valori di certezza: true (1) e false (0). Nella logica diffusa, tutti i valori di certezza sono espressi con numeri reali all'interno dell'intervallo tra 0 e 1.

La logica diffusa rappresenta la conoscenza basata su un grado di veridicità, anziché sulla veridicità assoluta della logica classica.

Neuronale

Con i vantaggi del sistema esperto basato sulle regole, i vantaggi della rete neuronale sono anche combinati, come l'apprendimento, la generalizzazione, la solidità e l'elaborazione delle informazioni parallele.

Può servirti: topologie di rete: concetto, tipi e loro caratteristiche, esempi

Questo sistema ha una base di conoscenza neuronale, anziché la tradizionale base di conoscenza. La conoscenza è immagazzinata come pesos nei neuroni.

Questa combinazione consente al sistema di esperti neuronali di giustificare le sue conclusioni.

Neuronale-difuso

Le reti logiche e neurali diffuse sono strumenti complementari per costruire sistemi di esperti.

I sistemi diffusi mancano della capacità di apprendere e non possono adattarsi a un nuovo ambiente. D'altra parte, sebbene le reti neurali possano imparare, il loro processo è molto complicato per l'utente.

I sistemi neuronali-diffusi possono combinare le capacità di calcolo e apprendimento della rete neuronale con la rappresentazione della conoscenza umana e le capacità di spiegazione dei sistemi diffusi.

Di conseguenza, le reti neurali diventano più trasparenti, mentre il sistema diffuso diventa in grado di imparare.

Vantaggi

Disponibilità

I sistemi di esperti sono facilmente disponibili, ovunque e in qualsiasi momento, a causa della produzione di massa del software.

Rischio ridotto

Un'azienda può gestire un esperto in ambienti pericolosi per l'uomo. Possono essere utilizzati in qualsiasi ambiente di rischio in cui gli umani non possono funzionare.

Conoscenza aziendale

Possono diventare un veicolo per sviluppare conoscenze organizzative, in contrasto con la conoscenza delle persone in un'azienda.

Spiegazione della risposta

Sono in grado di dare una spiegazione adeguata del loro processo decisionale, esprimendo in dettaglio il ragionamento che li ha portati a una risposta.

Se utilizzati come strumenti di formazione, si traducono in una curva di apprendimento più rapida per i principianti.

Risposta rapida

Aiuta a ottenere risposte rapide e precise. Un sistema esperto può completare la sua parte dei compiti molto più velocemente di un esperto umano.

Basso tasso di errore

Il tasso di errore dei sistemi di esperti di successo è piuttosto basso, a volte molto più basso del tasso di errore dell'essere umano per lo stesso compito.

Rispondi senza emozioni

I sistemi di esperti lavorano senza eccitarsi. Non mettono tesi, affaticato o panico e lavorano costantemente durante le situazioni di emergenza.

Permanenza della conoscenza

Il sistema esperto mantiene un livello significativo di informazioni. Questo contenuto di conoscenza durerà indefinitamente.

Creazione rapida del prototipo

Con un sistema esperto è possibile inserire alcune regole e sviluppare un prototipo in giorni, anziché i mesi o gli anni comunemente associati a progetti informatici complessi.

Esperienze multiple

Il sistema esperto può essere progettato per contenere la conoscenza di molti esperti qualificati e quindi avere la capacità di risolvere problemi complessi.

Ciò riduce le spese per ricorrere a consulenti esperti per la risoluzione dei problemi. Sono un veicolo per ottenere fonti di conoscenza difficile da ottenere.

Svantaggi

Acquisizione della conoscenza

È sempre difficile ottenere il tempo degli esperti in aree particolari per qualsiasi applicazione software, ma per i sistemi esperti è particolarmente difficile, perché gli esperti sono molto apprezzati e costantemente richiesti dalle organizzazioni.

Di conseguenza, una grande quantità di ricerca negli ultimi anni si è concentrata su strumenti per l'acquisizione di conoscenze, che aiutano a automatizzare il processo di progettazione, purificazione e mantenimento delle regole definite dagli esperti.

Integrazione del sistema

L'integrazione dei sistemi con i database era difficile per i primi sistemi di esperti, perché gli strumenti erano principalmente in linguaggi e piattaforme sconosciute in ambienti aziendali.

Può servirti: prodotto tecnico

Di conseguenza, è stato fatto un grande sforzo per integrare gli strumenti dei sistemi esperti con ambienti ereditari, effettuando il trasferimento a piattaforme più standard.

Questi problemi sono stati risolti principalmente dal cambio di paradigma, poiché i PC sono stati gradualmente accettati nell'ambiente informatico come piattaforma legittima per lo sviluppo di sistemi commerciali seri.

Elaborazione della complessità

Aumentando le dimensioni della base di conoscenza, la complessità dell'elaborazione aumenta.

Ad esempio, se un sistema esperto ha 100 milioni di regole è evidente che sarebbe troppo complesso e affronterebbe molti problemi computazionali.

Un motore di inferenza dovrebbe essere in grado di elaborare un gran numero di regole per prendere una decisione.

Quando ci sono troppe regole, è anche complicato che queste regole decisionali siano coerenti tra loro.

È inoltre complicato dare la priorità all'uso delle regole per operare in modo più efficiente o come risolvere le ambiguità.

Aggiornamento della conoscenza

Un problema relativo alla base di conoscenza è come apportare aggiornamenti in modo rapido ed efficace. Inoltre, come aggiungere una nuova conoscenza, cioè dove aggiungerla tra così tante regole.

Applicazioni

Diagnosi e risoluzione dei problemi

Riassume tutti i sistemi che deducono i guasti e suggeriscono azioni correttive per un processo o un dispositivo che funziona male.

Una delle prime aree di conoscenza in cui è stata applicata la tecnologia dei sistemi di esperti era la diagnosi medica. Tuttavia, la diagnosi di sistemi di ingegneria ha rapidamente superato la diagnosi medica.

La diagnosi può essere espressa come: date le prove che si presentano, qual è il problema, la ragione o la causa sottostanti?

Pianificazione e programmazione

Questi sistemi esperti analizzano una serie di obiettivi per determinare una serie di azioni che raggiungono questi obiettivi, fornendo un ordine dettagliato di tali azioni nel tempo, considerando i materiali, il personale e altre restrizioni.

Gli esempi includono la programmazione di voli e personale delle compagnie aeree e la pianificazione dei processi di produzione.

Decisioni finanziarie

Sono stati creati sistemi di consulenza finanziaria per aiutare i banchieri a determinare se prestiti a persone e società.

Le compagnie assicurative utilizzano questi sistemi esperti per valutare il rischio che il cliente presenta e quindi determinare il prezzo assicurativo.

Monitoraggio e controllo del processo

Analizzano in tempo reale i dati dei dispositivi fisici, al fine di notare anomalie, prevedere le tendenze e controllare sia l'ottimizzazione che la correzione dei guasti.

Esempi di questi sistemi si trovano nelle industrie manifatturiere olio e in acciaio.

Consiglio della conoscenza

La funzione principale di questa applicazione è fornire conoscenze significative per il problema dell'utente, all'interno dell'ambiente di tale problema.

A questa categoria appartengono ai due sistemi esperti che sono distribuiti con maggiore ampiezza in tutto il mondo.

Il primo di questi sistemi è un consulente che consiglia all'utente l'uso corretto della grammatica in un testo.

Il secondo è un consulente fiscale che è collegato a un sistema per preparare le tasse. Consulente all'utente in merito a particolari strategie e politiche fiscali.

Riferimenti

1. Guru99 (2019). Intelligenza nel sistema di esperti artificiali: cosa è, applicazioni, esempio. Tratto da: Guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Sistema esperto. Preso da: in.Wikipedia.org.
3. Margaret Rouse (2019). Sistema esperto. Techtarget. Tratto da: Searchenterpriseai.Techtarget.com.
4. Vladimir Zwass (2019). Sistema esperto. Enciclopedia prelevata da: Britannica.com.
5. WTEC (2019). Le applicazioni di sistemi esperti. Preso da: WTEC.org.
6. Virale Nagori (2014). Tipi di sistema esperto: studio comparativo. Studioso semantico.Preso da: PDFS.SemanticScholar.org.
7. World of Computing (2010). Sistemi esperti. Tratto da: intelligenza.WorldOfCuting.netto.