Expertensystemgeschichte, Merkmale, Vorteile, Nachteile

Der Expertensysteme Sie sind als Computersysteme definiert, die die Entscheidungskapazität eines menschlichen Experten in einem bestimmten Bereich nachahmen. Sie verwenden sowohl heuristische Strategien als auch Fakten, um komplexe Entscheidungsprobleme zuverlässig und interaktiv zu lösen.

Sie sind entwickelt, um Probleme mit hoher Komplexität zu lösen, durch Wissensbasis zu argumentieren. Anstatt mit einem prozedurbasierten Code vertreten zu werden, tun sie dies im Grunde genommen mit SI-dhen Regeln.

Quelle: Pixabay.com

Sie sind in der Lage, sich und der Vernunft für ein Wissensbereich auszudrücken, das es ihnen ermöglicht, viele Probleme zu lösen, die im Allgemeinen einen menschlichen Experten erfordern würden. Expertensysteme waren die Vorgänger aktueller künstlicher Intelligenzsysteme, Deep -Lernen und automatisches Lernen.

Ein Expertensystem kann die allgemeine Leistung eines Arbeiters in der Problemlösung nicht ersetzen. Sie können jedoch die Arbeit, die der Einzelne leisten muss, um ein Problem zu lösen.

Sie haben in vielen Branchen wie Finanzdienstleistungen, Telekommunikation, medizinischer Versorgung, Kundendienst, Videospielen und Fertigung eine wichtige Rolle gespielt.

[TOC]

Systemkapazität

Ein Expertensystem enthält zwei Subsysteme: eine Wissensbasis, die akkumulierte Fakten und Erfahrung enthält, sowie eine Inferenzmotor, die eine Reihe von Regeln für die Wissensbasis oder Fakten in jeder bestimmten Situation ist, um neue Tatsachen abzuleiten.

Systemfunktionen können durch Ergänzungen zur Wissensbasis oder der Regeln verbessert werden.

Zum Beispiel können die heutigen Expertensysteme auch automatisch lernen, um ihre Leistung auf der Grundlage der Erfahrung zu verbessern, wie es Menschen tun.

Darüber hinaus können moderne Systeme neue Wissen leichter einbeziehen und einfach einfach aktualisiert werden. Solche Systeme können sich besser über vorhandenes Wissen verallgemeinern und große Mengen komplexer Daten umgehen.

Geschichte

- Erste Entwicklungen

Ende der 1950er Jahre wurde die Möglichkeit, Computertechnologie zu verwenden, um die Entscheidung zu emulieren -das Erreichen des Menschen. Zum Beispiel wurden computergestützte Systeme für diagnostische Anwendungen in der Medizin erstellt.

Diese anfänglichen diagnostischen Systeme traten in die Symptome von Patienten und die Ergebnisse von Labortests ein, um eine Diagnose zu erzeugen. Dies waren die ersten Formen von Expertensystemen.

- Hauptentwicklungen

In den frühen sechziger Jahren wurden Programme entwickelt, die gut definierte Probleme lösten. Zum Beispiel automatische Spiele oder Übersetzungen.

Diese Programme erforderten intelligente Argumentationstechniken, um mit den vorgestellten logischen und mathematischen Problemen umzugehen, erforderten jedoch nicht viel zusätzliches Wissen.

Die Forscher warnen darauf hin, dass Programme, um die Probleme zu interpretieren, sondern auch Grundkenntnisse benötigten, um sie vollständig zu verstehen, um viele interessante Probleme zu lösen, um sie vollständig zu verstehen.

Dies führte nach und nach zur Entwicklung von Expertensystemen, die sich mehr auf das Wissen konzentrierten.

Das Konzept der Expertensysteme wurde 1965 von Edward Feigenbaum, Professor an der Stanford University, EE, offiziell entwickelt.UU.

Feigenbaum erklärte, dass die Welt dank der neuen Technologien für Prozessoren und Computerarchitekturen von der Datenverarbeitung zur Wissensverarbeitung übergeht.

Dendral

Am Ende der sechziger Jahre wurde eines der ersten Expertensysteme als Dendral entwickelt, das sich mit der Analyse chemischer Verbindungen befasst.

Das Wissen von Dendral bestand aus Hunderten von Regeln, die die Wechselwirkungen chemischer Verbindungen beschrieben haben. Diese Regeln waren das Ergebnis jahrelanger Zusammenarbeit zwischen Chemikalien und Computer.

Kann Ihnen dienen: Geometrische Toleranzen: Symbole, Datum und Beispiele

- Reife

Expertensysteme begannen sich in den achtziger Jahren zu vermehren. Eine große Anzahl von Fortune 500 -Unternehmen wandte diese Technologie in ihren täglichen kommerziellen Aktivitäten an.

In den neunziger Jahren haben viele Geschäftsanmeldungen wie Oracle und SAP die Kapazitäten von Expertensystemen in ihre Produkte integriert, um die Geschäftslogik zu erklären.

Eigenschaften

- Erfahrungslevel

Ein Expertensystem muss das höchste Erfahrungsniveau bieten. Bietet Effizienz, Präzision und fantasievolle Auflösung von Problemen.

- Reaktion pünktlich

Der Benutzer interagiert für einen ziemlich aufsichtsrechtlichen Zeitraum mit dem Expertensystem. Die Zeit dieser Interaktion muss geringer sein als die Zeit, die für dasselbe Problem ein Experte zur Erreichung der genauesten Lösung erfolgt.

- Zuverlässigkeit

Das Expertensystem muss eine gute Zuverlässigkeit haben. Dazu sollten Sie keinen Fehler machen.

- Wirksamer Mechanismus

Das Expertensystem muss über einen effizienten Mechanismus verfügen, um das Kompendium des vorhandenen Wissens darin zu verabreichen.

- Probleme bewältigen

Ein Expertensystem muss in der Lage sein, herausfordernde Probleme zu bewältigen und die richtigen Entscheidungen zu treffen, um Lösungen bereitzustellen.

- Komponenten

Wissensbasis

Es handelt sich um eine organisierte Datenerfassung, die dem System der Systemerfahrung entspricht.

Durch Interviews und Beobachtungen an menschliche Experten müssen die Fakten, die die Wissensbasis ausmachen, genommen werden.

Inferenzmotor

Interpretieren und bewerten Sie die Fakten in der Wissensbasis durch Regeln, um eine Empfehlung oder Schlussfolgerung zu liefern.

Dieses Wissen wird in Form von Produktionsregeln dargestellt: "Wenn eine Bedingung wahr ist, kann der folgende Abzug erledigt werden".

Schlussfolgerungen

Ein Wahrscheinlichkeitsfaktor wird häufig der Schlussfolgerung jeder Produktionsregel und der endgültigen Empfehlung beigefügt, da die zugezogene Schlussfolgerung keine absolute Sicherheit ist.

Beispielsweise könnte ein Expertensystem zur Diagnose von Augenkrankheiten nach den angegebenen Informationen darauf hinweisen, dass eine Person Glaukom mit einer Wahrscheinlichkeit von 90% hat.

Darüber hinaus kann die Abfolge von Regeln gezeigt werden, durch die die Schlussfolgerung gezogen wurde. Die Überwachung dieser Kette hilft bei der Bewertung der Glaubwürdigkeit der Empfehlung und ist als Lernwerkzeug nützlich.

Leute

Basierend auf Regeln

In diesem System wird Wissen als Regeln dargestellt. Die Regel ist eine direkte und flexible Art, Wissen auszudrücken.

Die Regel besteht aus zwei Teilen: dem "Ja" -Teil, der als Zustand bezeichnet wird, und der "damals" -Teil, der als Abzug bezeichnet wird. Die grundlegende Syntax einer Regel lautet: Ja (Zustand) dann (Abzug).

Basierend auf diffuser Logik

Wenn Sie Wissen mit vagen Wörtern als "sehr klein", "mäßig schwierig", "nicht so alt" ausdrücken möchten, kann eine diffuse Logik verwendet werden.

Diese Logik wird verwendet, um eine ungenaue Definition zu beschreiben. Es basiert auf der Idee, dass alle Dinge auf einer variablen Skala beschrieben werden.

Die klassische Logik arbeitet mit zwei Gewissheitswerten: True (1) und False (0). In der diffusen Logik werden alle Sicherheitwerte mit reellen Zahlen innerhalb des Intervalls zwischen 0 und 1 ausgedrückt.

Die diffuse Logik repräsentiert Wissen, die auf einem gewissen Grad der Wahrhaftigkeit beruht, anstelle der absoluten Richtigkeit der klassischen Logik.

Neuronal

Mit den Vorteilen des Expertensystems auf Regeln werden auch die Vorteile des neuronalen Netzwerks kombiniert, wie Lernen, Verallgemeinerung, Solidität und parallele Informationsverarbeitung.

Es kann Ihnen dienen: Netzwerktopologien: Konzept, Typen und deren Merkmale, Beispiele

Dieses System verfügt über eine neuronale Wissensbasis anstelle der traditionellen Wissensbasis. Wissen wird als Pesos in Neuronen gespeichert.

Diese Kombination ermöglicht es dem neuronalen Expertensystem, seine Schlussfolgerungen zu rechtfertigen.

Neuronal-Difuso

Diffuse Logik- und neuronale Netze sind ergänzende Tools zum Aufbau von Expertensystemen.

Diffuse Systeme fehlen die Fähigkeit zu lernen und können sich nicht an eine neue Umgebung anpassen. Andererseits ist ihr Prozess für den Benutzer sehr kompliziert, obwohl neuronale Netze lernen können.

Neuronale Diffuse-Systeme können die Computer- und Lernfunktionen des neuronalen Netzwerks mit der Darstellung des menschlichen Wissens und den Erklärungsfähigkeiten diffuser Systeme kombinieren.

Infolgedessen werden neuronale Netze transparenter, während das diffuse System in der Lage ist zu lernen.

Vorteile

Verfügbarkeit

Expertensysteme sind aufgrund der Massenproduktion der Software jederzeit und jederzeit verfügbar.

Reduziertes Risiko

Ein Unternehmen kann einen Experten in Umgebungen betreiben, die für den Menschen gefährlich sind. Sie können in einem Risikoumfeld verwendet werden, in dem Menschen nicht arbeiten können.

Geschäftswissen

Sie können ein Mittel werden, um organisatorisches Wissen zu entwickeln, im Gegensatz zu dem Wissen von Einzelpersonen in einem Unternehmen.

Erklärung der Antwort

Sie sind in der Lage, eine angemessene Erklärung ihrer Entscheidungsfindung zu geben und ausführlich die Argumentation auszudrücken, die sie zu einer Antwort geführt haben.

Wenn sie als Trainingswerkzeuge verwendet werden, führen sie zu einer schnelleren Lernkurve für Anfänger.

Schnelle Antwort

Helfen Sie, schnelle und präzise Antworten zu erhalten. Ein Expertensystem kann seinen Teil der Aufgaben viel schneller erledigen als ein menschlicher Experte.

Niedrige Fehlerrate

Die Fehlerrate erfolgreicher Expertensysteme ist ziemlich niedrig, manchmal viel niedriger als die Fehlerrate des Menschen für dieselbe Aufgabe.

Antwort ohne Emotionen

Expertensysteme arbeiten, ohne sich zu begeistern. Sie setzen nicht angespannt, müde oder in Panik und arbeiten ständig in Notsituationen.

Beständigkeit des Wissens

Das Expertensystem hält ein erhebliches Informationsniveau beibehalten. Dieser Wissensinhalt wird auf unbestimmte Zeit dauern.

Schnelle Prototyperstellung

Mit einem Expertensystem ist es möglich, einige Regeln einzugeben und in Tagen einen Prototyp zu entwickeln, anstatt der Monate oder Jahre, die üblicherweise mit komplexen Computerprojekten verbunden sind.

Mehrere Erfahrungen

Das Expertensystem kann so konzipiert werden, dass viele qualifizierte Experten Kenntnisse enthalten und daher die Fähigkeit haben, komplexe Probleme zu lösen.

Dies verringert die Kosten, um auf Expertenberater für die Problemlösung zurückzuführen. Sie sind ein Fahrzeug, um Wissensquellen zu erhalten, die schwer zu bekommen sind.

Nachteile

Wissenserwerb

Es ist immer schwierig, die Zeit von Experten in bestimmten Bereichen für jede Softwareanwendung zu erhalten, aber für Expertensysteme ist es besonders schwierig, da Experten von Organisationen hoch geschätzt und ständig angefordert werden.

Infolgedessen konzentrierte sich eine große Forschung in den letzten Jahren auf Tools für den Erwerb von Wissen, die dazu beitragen.

System Integration

Die Integration der Systeme in die Datenbanken war für die ersten Expertensysteme schwierig, da sich die Tools hauptsächlich in unbekannten Sprachen und Plattformen in Unternehmensumgebungen befanden.

Kann Ihnen dienen: Technisches Produkt

Infolgedessen wurde große Anstrengungen unternommen, um die Tools von Expertensystemen in ererbte Umgebungen zu integrieren, wodurch die Übertragung auf mehr Standardplattformen durchgeführt wurde.

Diese Probleme wurden hauptsächlich durch die Änderung des Paradigmas gelöst, da die PCs in der Computerumgebung allmählich als legitime Plattform für die Entwicklung schwerwiegender kommerzieller Systeme akzeptiert wurden.

Verarbeitungskomplexität

Durch Erhöhen der Größe der Wissensbasis nimmt die Komplexität der Verarbeitung zu.

Wenn ein Expertensystem beispielsweise 100 Millionen Regeln hat, ist es offensichtlich, dass es zu komplex wäre und vielen Rechenproblemen ausgesetzt wäre.

Eine Inferenzmotor sollte in der Lage sein, eine große Anzahl von Regeln zu verarbeiten, um eine Entscheidung zu treffen.

Wenn es zu viele Regeln gibt, ist es auch kompliziert, dass diese Entscheidungsregeln miteinander übereinstimmen.

Es ist auch kompliziert, die Verwendung der Regeln zu priorisieren, um effizienter zu arbeiten, oder wie Sie Mehrdeutigkeiten lösen können.

Wissens -Update

Ein Problem im Zusammenhang mit der Wissensbasis ist, wie Sie schnell und effektiv Aktualisierungen erstellen können. Darüber hinaus fügt man ein neues Wissen hinzu, das heißt, wo man es zu so vielen Regeln hinzufügt.

Anwendungen

Diagnose und Problemlösung

Es fasst alle Systeme zusammen, die Fehler schließen und Korrekturmaßnahmen für einen Prozess oder ein Gerät vorschlagen, das schlecht funktioniert.

Einer der ersten Wissensbereiche, in denen Expertensystemtechnologie angewendet wurde, war die medizinische Diagnose. Die Diagnose von technischen Systemen übertraf jedoch die medizinische Diagnose jedoch schnell über die medizinische Diagnose.

Die Diagnose kann ausgedrückt werden als: Angesichts der Beweise, die entstehen, was ist das zugrunde liegende Problem, Grund oder Ursache?

Planung und Programmierung

Diese Expertensysteme analysieren eine Reihe von Zielen, um eine Reihe von Aktionen zu bestimmen, die diese Ziele erreichen und eine detaillierte Reihenfolge dieser Aktionen im Laufe der Zeit unter Berücksichtigung der Materialien, Mitarbeiter und anderer Einschränkungen berücksichtigen.

Beispiele sind die Programmierung von Flügen und Fluggesellschaften sowie die Planung des Herstellungsprozesses.

Finanzielle Entscheidungen

Es wurden Finanzberatungssysteme erstellt, um Bankern zu bestimmen, ob Kredite an Einzelpersonen und Unternehmen.

Versicherungsunternehmen verwenden diese Expertensysteme, um das Risiko zu bewerten, das der Kunde vorliegt, und somit den Versicherungspreis zu bestimmen.

Prozessüberwachung und Kontrolle

Sie analysieren in Echtzeit die Daten der physischen Geräte, um Anomalien zu bemerken, Trends vorherzusagen und sowohl die Optimierung als auch die Fehlerkorrektur zu steuern.

Beispiele für diese Systeme finden Sie in der Öl- und Stahlherstellungsindustrie.

Wissensberatung

Die Hauptfunktion dieser Anwendung besteht darin, im Umfeld dieses Problems erhebliche Kenntnisse für das Problem des Benutzers zu vermitteln.

Zu dieser Kategorie gehören zu den beiden Expertensystemen, die weltweit mit größerer Amplitude verteilt sind.

Das erste dieser Systeme ist ein Berater, der den Benutzer über die richtige Verwendung von Grammatik in einem Text berät.

Der zweite ist ein fiskalischer Berater, der an ein System angeschlossen ist, um Steuern vorzubereiten. Berater des Benutzer über bestimmte Steuerstrategien und Richtlinien.

Verweise

1. Guru99 (2019). Intelligenz im künstlichen Expertensystem: Was ist, Anwendungen, Beispiel. Entnommen aus: Guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Expertensystem. Genommen von: in: in.Wikipedia.Org.
3. Margaret Rouse (2019). Expertensystem. TechTarget. Entnommen von: SearchenterPriseai.TechTarget.com.
4. Vladimir Zwerk (2019). Expertensystem. Enzyklopädie aus: Britannica.com.
5. WTEC (2019). Die Anwendungen von Expertensystemen. Genommen von: WTEC.Org.
6. Viral Nagori (2014). Arten von Expertensystemen: Vergleichende Studie. Semantischer Gelehrter.Stammen aus: pdfs.SemanticsCholar.Org.
7. World of Computing (2010). Expertensysteme. Entnommen aus: Intelligenz.WorldOf Computing.Netz.