Što je ekspertni sustav u AI (umjetnoj inteligenciji)? s Primjerom

Što je Expert System?

Stručni sustav je interaktivni i pouzdani računalni sustav donošenja odluka koji koristi i činjenice i heuristike za rješavanje složenih problema donošenja odluka. Svrha ekspertnog sustava je rješavanje najsloženijih problema u određenoj domeni.

Ekspertni sustavi u umjetnoj inteligenciji

Ekspertni sustav u umjetnoj inteligenciji može riješiti mnoge probleme koji bi općenito zahtijevali ljudskog stručnjaka. Temelji se na znanju stečenom od stručnjaka. Umjetna inteligencija a ekspertni sustavi sposobni su izražavati i zaključivati ​​o nekom području znanja. Ekspertni sustavi bili su prethodnik današnjice umjetna inteligencija, duboko učenje i strojno učenje sustavi.

Što je ekspertni sustav u umjetnoj inteligenciji (AI)?

Primjeri ekspertnih sustava

Slijede primjeri ekspertnih sustava:

  • MYCIN: Bio je temeljen na ulančavanju unatrag i mogao je identificirati različite bakterije koje bi mogle uzrokovati akutne infekcije. Također je mogao preporučiti lijekove na temelju težine pacijenta. To je jedan od najboljih primjera ekspertnih sustava.
  • DENDRAL: Ekspertni sustav koji se koristi za kemijsku analizu radi predviđanja molekularne strukture.
  • PXDES: Primjer ekspertnog sustava koji se koristi za predviđanje stupnja i vrste raka pluća.
  • Kadet: Jedan od najboljih primjera ekspertnih sustava koji može identificirati rak u ranoj fazi.

Karakteristike ekspertnog sustava

Ti primjeri dijele zajednički skup kvaliteta, sažetih u donjem dijagramu.

Razlozi zašto su ekspertni sustavi potrebni u specijaliziranoj domeni

Zašto su potrebni ekspertni sustavi?

Slijede važne karakteristike ekspertnog sustava u umjetnoj inteligenciji:

  • Najviša razina stručnosti: Ekspertni sustav u umjetnoj inteligenciji nudi najvišu razinu stručnosti. Pruža učinkovitost, točnost i maštovito rješavanje problema.
  • Reakcija na vrijeme: Ekspertni sustav reagira u razumnom vremenu, idealno brže nego što bi ljudski stručnjak došao do istog zaključka.
  • Dobra pouzdanost: Ekspertni sustav u umjetnoj inteligenciji mora biti pouzdan i ne smije griješiti.
  • Fleksibilan: Ekspertni sustav mora ostati fleksibilan kako bi se njegova baza znanja mogla proširivati ​​ili ispravljati kako se domena mijenja.
  • Djelotvorni mehanizam: Sustavu je potreban učinkovit mehanizam za organiziranje i ažuriranje znanja koje već posjeduje.
  • Sposoban za rješavanje izazovnih odluka i problema: Ekspertni sustav sposoban je rješavati izazovne probleme odlučivanja i pružati rješenja.

Komponente ekspertnog sustava

Te karakteristike pružaju tri dijela koja međusobno prenose informacije, kao što pokazuje blok dijagram.

Komponente ekspertnog sustava: korisničko sučelje, mehanizam za zaključivanje i baza znanja

Ekspertni sustav u umjetnoj inteligenciji sastoji se od sljedećih danih komponenti:

Korisničko sučelje

Korisničko sučelje najvažniji je dio softvera ekspertnog sustava. Ova komponenta prima korisnički upit u čitljivom obliku i prosljeđuje ga mehanizmu za zaključivanje. Nakon toga prikazuje rezultate korisniku. Drugim riječima, to je sučelje koje pomaže korisniku u komunikaciji s ekspertnim sustavom.

Zaključak motora

Inferencijalni mehanizam je mozak ekspertnog sustava. Sadrži pravila za rješavanje određenog problema i odnosi se na znanje pohranjeno u bazi znanja. Odabire činjenice i pravila koja će primijeniti pri pokušaju odgovaranja na korisnikov upit, rastavlja problem i formulira zaključak.

Baza znanja

Baza znanja je skladište činjenica. Pohranjuje svo znanje o domeni problema. To je poput velikog spremnika znanja koje se dobiva od različitih stručnjaka određenog područja.

Stoga možemo reći da uspjeh softvera ekspertnog sustava uglavnom ovisi o vrlo točnom i preciznom znanju.

Ostali ključni pojmovi koji se koriste u ekspertnim sustavima

Činjenice i pravila

Činjenica je mali dio važne informacije. Činjenice same po sebi vrlo su ograničene. Pravila su ključna za odabir i primjenu činjenica na korisnički problem.

Stjecanje znanja

Pojam stjecanja znanja znači kako se pomoću ekspertnog sustava dobiva potrebno znanje o domeni. Cijeli proces započinje npr.tracpreuzimanje znanja od ljudskog stručnjaka, pretvaranje stečenog znanja u pravila i ubrizgavanje razvijenih pravila u bazu znanja, kao tracprikazano na slici ispod.

Znanje extracproces prelaska od ljudskog stručnjaka do kodiranih pravila u bazi znanja

Znanje ExtracProces

Sudionik u razvoju ekspertnih sustava

učesnik Uloga
Stručnjak za domenu Osoba ili grupa čije se stručno znanje i stručnost koriste za razvoj ekspertnog sustava.
Inženjer znanja Tehnička osoba koja integrira to znanje u računalne sustave.
Krajnji korisnik Osoba ili skupina ljudi koji koriste ekspertni sustav kako bi dobili savjet koji inače ne bi bili dostupni od stručnjaka.

Proces izgradnje ekspertnog sustava

  • Utvrđivanje karakteristika problema
  • Inženjer znanja i stručnjak za područje rade usklađeno kako bi definirali problem
  • Inženjer znanja prevodi znanje u računalno razumljiv jezik i dizajnira mehanizam zaključivanja, strukturu zaključivanja, koja može koristiti to znanje kada je to potrebno.
  • Inženjer znanja također određuje kako integrirati korištenje nesigurnog znanja u proces zaključivanja i koja bi vrsta objašnjenja bila korisna.

Konvencionalni sustav nasuprot ekspertnog sustava

Dizajn postaje jasniji kada se ekspertni sustav postavi pored običnog programa.

Konvencionalni sustav Stručni sustav
Znanje i obrada su spojeni u jednu cjelinu. Baza znanja i mehanizam obrade dvije su odvojene komponente.
Program ne pravi greške (osim ako postoji greška u programiranju). Ekspertni sustav može pogriješiti.
Sustav je operativan samo kada je potpuno razvijen. Ekspertni sustav se kontinuirano optimizira i može se pokrenuti s malim brojem pravila.
Potrebno je izvođenje korak po korak prema fiksnim algoritmima. Izvršenje se vrši logički i heuristički.
Potrebne su mu pune informacije. Može biti funkcionalan s dovoljno ili nedovoljno informacija.

Ljudski stručnjak protiv ekspertnog sustava

Ljudski stručnjak Umjetna ekspertiza
Kvarljiva trajan
Teško za prijenos prenosiv
Teško za dokumentiranje Jednostavan za dokumentiranje
Nepredvidljiv dosljedan
Skup Isplativi sustav

Prednosti ekspertnog sustava

Ispod su glavne prednosti/koristi ekspertnih sustava u umjetnoj inteligenciji (AI):

  • Poboljšava kvalitetu odluke
  • Smanjuje troškove savjetovanja stručnjaka za rješavanje problema
  • Pruža brza i učinkovita rješenja problema u uskom području specijalizacije.
  • Može prikupiti oskudno stručno znanje i učinkovito ga koristiti.
  • Nudi dosljedan odgovor za ponavljajući problem
  • Pravilno objašnjenje donošenja odluka
  • Sposobnost rješavanja složenih i izazovnih pitanja
  • Ekspertni sustavi umjetne inteligencije mogu postojano raditi bez osjećaja, napetosti ili umora.

Ograničenja ekspertnog sustava

Ispod su nedostaci/ograničenja ekspertnog sustava u umjetnoj inteligenciji:

  • Nemogućnost kreativnog odgovora u izvanrednoj situaciji
  • Pogreške u bazi znanja mogu dovesti do pogrešne odluke
  • Troškovi održavanja ekspertnog sustava su previsoki
  • Svaki problem je drugačiji stoga rješenje ljudskog stručnjaka također može biti drugačije i kreativnije

Primjene ekspertnih sustava

Neki popularni Primjena ekspertnog sustava:

  • Upravljanje informacijama
  • Bolnice i medicinske ustanove
  • Upravljanje službama za pomoć
  • Ocjenjivanje rada zaposlenika
  • Analiza kredita
  • Otkrivanje virusa
  • Korisno za projekte popravka i održavanja
  • Optimizacija skladišta
  • Planiranje i raspored
  • Konfiguracija proizvedenih objekata
  • Donošenje financijskih odluka
  • Objavljivanje znanja
  • Nadzor i kontrola procesa
  • Trgovanje dionicama
  • Raspored zračnih linija i raspored tereta

⚡ Pametni sažetak

Ekspertni sustav je interaktivni program za donošenje odluka vođen pravilima koji kombinira pohranjene činjenice s heuristikama kako bi riješio uske, složene probleme na razini prosudbe koja se obično očekuje od obučenog ljudskog stručnjaka u tom području.

  • 🔘 Tri osnovne komponente: Korisničko sučelje preuzima upit, mehanizam za zaključivanje razmatra pravila, a baza znanja pohranjuje činjenice domene.
  • ☑️ Znanje ostaje odvojeno: Za razliku od konvencionalnog programa, znanje i obrada nalaze se u dva odvojena dijela, tako da se pravila mogu revidirati bez prepisivanja programa.
  • ✅ Klasični primjeri: MYCIN je dijagnosticirao bakterijske infekcije, DENDRAL je predvidio molekularne strukture, a PXDES i CaDet su podržali otkrivanje raka.
  • 🧪 Izgrađeno od strane tri uloge: Stručnjak za domenu pruža znanje, inženjer znanja ga kodira, a krajnji korisnik konzultira gotov sustav.
  • 🛠️ Snage i ograničenja: Dobiva se dosljednost, brzina i trajnost, dok se gube kreativnost u nepoznatim situacijama i niski troškovi održavanja.
  • ️ Gdje se koriste: Medicinske ustanove, analiza kredita, službe za korisnike, otkrivanje virusa, optimizacija skladišta i trgovanje na burzi.

Pitanja i odgovori

Ulančavanje unaprijed vođeno je podacima: mehanizam počinje od poznatih činjenica i primjenjuje pravila dok se ne pojavi zaključak. Ulančavanje unatrag vođeno je ciljem: pretpostavlja hipotezu, a zatim traži činjenice koje je podupiru. MYCIN je koristio ulančavanje unatrag.

Sustavi temeljeni na pravilima pohranjuju AKO-ONDA pravila. Sustavi temeljeni na okvirima pohranjuju strukturirane objekte s utorima. Neizraziti sustavi zaključivaju sa stupnjevima istine. Neuronski i neuro-neizraziti sustavi uče težine iz podataka umjesto čitanja rukom pisanih pravila.

Modul objašnjenja traces koji upravlja aktiviranjem mehanizma za zaključivanje i izvještava o tome u lancu natrag do korisnika. Transparentnost je razlog zašto su rani sustavi stekli povjerenje u medicini i ostaje prednost u odnosu na neprozirne statističke modele.

DENDRAL je započeo na Stanfordu 1965. godine i izvodio je molekularne strukture iz podataka masene spektrometrije. MYCIN je uslijedio 1972. godine, također na Stanfordu, gdje je Edward Shortliffe kodirao otprilike 600 pravila za dijagnosticiranje bakterijskih infekcija.

Pravila u ekspertnom sustavu pišu ljudi, tako da svaka odluka može biti tracur. A stroj za učenje Model izvodi vlastite parametre iz podataka, što se bolje skalira, ali znatno otežava provjeru zaključivanja.

Jednostavna pravila nameću jasan odgovor točno ili netočno. Nejasna logika dopušta činjenici da nosi vrijednost članstva između 0 i 1, tako da nejasni unosi poput blage vrućice i dalje mogu razumno aktivirati pravilo.

Jezični modeli pokrivaju daleko šire područje, ali ne mogu jamčiti tracMogući put pravila. Regulirane domene često uparuju to dvoje: model čita nestrukturirani ulaz dok mehanizam za pravila izvršava konačni, revizijski poziv. AI Vodič pokriva šire područje.

GitHub kopilot može izraditi sintaksu pravila za tražilice poput CLIPS-a ili Droolsa i izraditi testne slučajeve iz tablice pravila. Samo znanje domene i dalje mora dolaziti od ljudskog stručnjaka.

Sažmite ovu objavu uz: