EXPERTSYSTEMEN: GESCHIEDENIS, KENMERKEN, VOORDELEN, NADELEN - TECHNOLOGIE - 2026

De expertsystemen worden gedefinieerd als systemen die het besluitvormingsvermogen van een menselijke expert op een bepaald gebied nabootsen. Ze gebruiken zowel heuristische strategieën als feiten om complexe besluitvormingsproblemen betrouwbaar en interactief op te lossen.

Ze zijn ontworpen om zeer complexe problemen op te lossen, redenerend door middel van kennisbanken. In plaats van te worden vertegenwoordigd door procedurele code, worden ze in feite vertegenwoordigd door If-Then-regels.

Bron: pixabay.com

Ze zijn in staat om zichzelf uit te drukken en te redeneren over een bepaald kennisgebied, waardoor ze veel problemen kunnen oplossen waarvoor over het algemeen een menselijke expert nodig zou zijn. Expertsystemen waren de voorlopers van de huidige systemen voor kunstmatige intelligentie, deep learning en machine learning.

Een expertsysteem kan de algehele prestatie van een werknemer bij het oplossen van problemen niet vervangen. Ze kunnen de hoeveelheid werk die het individu moet doen om een ​​probleem op te lossen echter drastisch verminderen, en de creatieve en innovatieve aspecten van het oplossen van problemen aan mensen overlaten.

Ze hebben een belangrijke rol gespeeld in veel bedrijfstakken, zoals financiële dienstverlening, telecommunicatie, gezondheidszorg, klantenservice, videogames en productie.

Systeemcapaciteit

Een expertsysteem omvat twee subsystemen: een kennisbank, die verzamelde feiten en ervaring bevat, en een inferentiemachine, een reeks regels die van toepassing zijn op de kennisbank of bekende feiten in elke specifieke situatie, om nieuwe af te leiden. handelingen.

Systeemcapaciteiten kunnen worden uitgebreid met toevoegingen aan de kennisbank of regelset.

De huidige expertsystemen kunnen bijvoorbeeld ook het vermogen hebben om automatisch te leren, waardoor ze hun prestaties kunnen verbeteren op basis van ervaring, net als mensen.

Bovendien kunnen moderne systemen gemakkelijker nieuwe kennis opnemen en dus gemakkelijk worden bijgewerkt. Dergelijke systemen kunnen beter generaliseren vanuit bestaande kennis en grote hoeveelheden complexe gegevens verwerken.

Geschiedenis

- Eerste ontwikkelingen

Eind jaren vijftig begonnen experimenten met de mogelijkheid om computertechnologie te gebruiken om menselijke besluitvorming na te bootsen. Zo ontstonden er computerondersteunde systemen voor diagnostische toepassingen in de geneeskunde.

Deze initiële diagnosesystemen voerden patiëntsymptomen en laboratoriumtestresultaten in het systeem in om als resultaat een diagnose te genereren. Dit waren de eerste vormen van expertsystemen.

- Belangrijkste ontwikkelingen

Aan het begin van de jaren zestig werden programma's ontwikkeld die welomschreven problemen oplosten. Bijvoorbeeld games of machinevertalingen.

Deze programma's vereisten intelligente redeneertechnieken om de logische en wiskundige problemen die werden aangedragen aan te pakken, maar ze vereisten niet veel aanvullende kennis.

Onderzoekers begonnen te beseffen dat om veel interessante problemen op te lossen, programma's niet alleen de problemen moesten kunnen interpreteren, ze hadden ook basiskennis nodig om ze volledig te begrijpen.

Dit leidde gaandeweg tot de ontwikkeling van expertsystemen, die meer gericht waren op kennis.

Het concept van expertsystemen werd in 1965 formeel ontwikkeld door Edward Feigenbaum, een professor aan de Stanford University, VS.

Feigenbaum legde uit dat de wereld zich van gegevensverwerking naar kennisverwerking verplaatst, dankzij nieuwe processortechnologie en computerarchitecturen.

Dendral

Aan het eind van de jaren zestig werd een van de eerste expertsystemen, Dendral genaamd, ontwikkeld voor de analyse van chemische verbindingen.

Dendral's kennis bestond uit honderden regels die de interacties van chemische verbindingen beschreven. Deze regels waren het resultaat van jarenlange samenwerking tussen chemici en computerwetenschappers.

- Volwassenheid

Expertsystemen begonnen in de jaren tachtig snel te groeien. Veel van de Fortune 500-bedrijven pasten deze technologie toe in hun dagelijkse zakelijke activiteiten.

In de jaren negentig integreerden veel leveranciers van bedrijfstoepassingen, zoals Oracle en SAP, de mogelijkheden van expertsystemen in hun productsuite, als een manier om bedrijfslogica uit te leggen.

kenmerken

- Ervaringsniveau

Een expertsysteem moet het hoogste niveau van expertise bieden. Biedt efficiëntie, precisie en fantasierijke probleemoplossing.

- Reactie op tijd

De gebruiker werkt gedurende een redelijk redelijke periode met het expertsysteem. De tijd van deze interactie moet korter zijn dan de tijd die een deskundige nodig heeft om de meest nauwkeurige oplossing voor hetzelfde probleem te vinden.

- Betrouwbaarheid

Het expertsysteem moet een goede betrouwbaarheid hebben. Om dit te doen, mag u geen fouten maken.

- Effectief mechanisme

Het expertsysteem moet een efficiënt mechanisme hebben om het compendium van de aanwezige kennis te beheren.

- Omgaan met problemen

Een expertsysteem moet in staat zijn om uitdagende problemen aan te pakken en de juiste beslissingen te nemen om oplossingen te bieden.

- Componenten

Kennis basis

Het is een georganiseerde verzameling gegevens die overeenkomt met de omvang van de ervaring van het systeem.

Door middel van interviews en observaties met menselijke experts, moeten de feiten die de kennisbasis vormen, worden verzameld.

Inferentiemachine

Interpreteer en evalueer de feiten in de kennisbank door middel van regels om een ​​aanbeveling of conclusie te kunnen geven.

Deze kennis wordt weergegeven in de vorm van If-Then-productieregels: "Als een voorwaarde waar is, kan de volgende aftrek worden gemaakt."

Conclusies

Vaak wordt aan de conclusie van elke productieregel en aan de uiteindelijke aanbeveling een waarschijnlijkheidsfactor gehecht, omdat de bereikte conclusie geen absolute zekerheid is.

Een expertsysteem voor de diagnose van oogziekten zou bijvoorbeeld op basis van de verstrekte informatie kunnen aangeven dat iemand glaucoom heeft met een kans van 90%.

Ook kan de volgorde van de regels worden weergegeven waarmee de conclusie is bereikt. Het monitoren van deze keten helpt de geloofwaardigheid van de aanbeveling te beoordelen en is nuttig als leermiddel.

Soorten

Op regels gebaseerd

In dit systeem wordt kennis weergegeven als een set regels. De regel is een directe en flexibele manier om kennis uit te drukken.

De regel bestaat uit twee delen: het "Als" -gedeelte, de voorwaarde genoemd, en het "Dan" -gedeelte, de aftrek genaamd. De basissyntaxis van een regel is: If (voorwaarde) Dan (aftrek).

Gebaseerd op vage logica

Als je kennis wilt uitdrukken met vage woorden als "heel weinig", "matig moeilijk", "niet zo oud", kan vage logica worden gebruikt.

Deze logica wordt gebruikt om een ​​onnauwkeurige definitie te beschrijven. Het is gebaseerd op het idee dat alle dingen op een glijdende schaal worden beschreven.

Klassieke logica werkt met twee zekerheidswaarden: True (1) en False (0). In vage logica worden alle zekerheidswaarden uitgedrukt als reële getallen in het bereik van 0 tot 1.

Fuzzy logic vertegenwoordigt kennis die is gebaseerd op een zekere mate van waarachtigheid, in plaats van de absolute waarachtigheid van klassieke logica.

Neuronaal

De voordelen van het op regels gebaseerde expertsysteem combineren ook de voordelen van het neurale netwerk, zoals leren, generalisatie, robuustheid en parallelle informatieverwerking.

Dit systeem heeft een neurale kennisbasis in plaats van de traditionele kennisbasis. Kennis wordt als gewichten opgeslagen in neuronen.

Door deze combinatie kan het neurale expertsysteem zijn conclusies rechtvaardigen.

Neuronaal-diffuus

Fuzzy logic en neurale netwerken zijn complementaire tools voor het bouwen van expertsystemen.

Fuzzy-systemen missen het vermogen om te leren en kunnen zich niet aanpassen aan een nieuwe omgeving. Aan de andere kant, hoewel neurale netwerken kunnen leren, is hun proces erg ingewikkeld voor de gebruiker.

Neurale-fuzzy-systemen kunnen de reken- en leercapaciteiten van het neurale netwerk combineren met de weergave van menselijke kennis en de verklaringsvaardigheden van fuzzy-systemen.

Als gevolg hiervan worden neurale netwerken transparanter, terwijl het fuzzy-systeem in staat wordt om te leren.

Voordeel

Beschikbaarheid

Expertsystemen zijn direct beschikbaar, overal en altijd, dankzij massaproductie van de software.

Minder risico

Een bedrijf kan een expertsysteem gebruiken in omgevingen die gevaarlijk zijn voor mensen. Ze kunnen worden gebruikt in elke gevaarlijke omgeving waar mensen niet kunnen werken.

Zakelijke kennis

Ze kunnen een voertuig worden voor het ontwikkelen van organisatiekennis, in tegenstelling tot de kennis van individuen in een bedrijf.

Antwoord op uitleg

Ze zijn in staat om een ​​adequate uitleg te geven van hun besluitvorming, waarbij ze de redenering die tot een antwoord heeft geleid, gedetailleerd weergeven.

Bij gebruik als trainingstools resulteren ze in een snellere leercurve voor beginners.

Snel antwoord

Helpt om snelle en nauwkeurige antwoorden te krijgen. Een expertsysteem kan zijn deel van de taken veel sneller voltooien dan een menselijke expert.

Laag foutenpercentage

Het foutenpercentage van succesvolle expertsystemen is vrij laag, soms veel lager dan het menselijke foutenpercentage voor dezelfde taak.

Emotieloze reactie

Expertsystemen werken zonder opgewonden te raken. Ze raken niet gespannen, vermoeid of in paniek, en ze werken gestaag tijdens noodsituaties.

Kennisbestendigheid

Het expertsysteem houdt een aanzienlijk niveau aan informatie bij. Deze ingesloten kennis zal voor onbepaalde tijd duren.

Snelle prototyping

Met een expertsysteem is het mogelijk om een ​​aantal regels in te voeren en een prototype in dagen te ontwikkelen, in plaats van de maanden of jaren die gewoonlijk worden geassocieerd met complexe IT-projecten.

Meerdere ervaringen

Het expertsysteem kan zo worden ontworpen dat het de kennis van veel gekwalificeerde experts bevat en dus het vermogen heeft om complexe problemen op te lossen.

Dit vermindert de kosten van het raadplegen van deskundige probleemoplossende adviseurs. Ze zijn een middel om kennisbronnen te verkrijgen die moeilijk te verkrijgen zijn.

Nadelen

Kennisverwerving

Het is altijd moeilijk om voor elke softwaretoepassing de tijd te krijgen van experts op bepaalde gebieden, maar voor expertsystemen is het vooral moeilijk, omdat experts zeer gewaardeerd worden en constant gevraagd worden door organisaties.

Als gevolg hiervan is er de afgelopen jaren veel onderzoek gedaan naar tools voor het verwerven van kennis, die helpen bij het automatiseren van het proces van ontwerpen, debuggen en onderhouden van de regels die door experts zijn gedefinieerd.

Systeemintegratie

De integratie van de systemen met de databases was moeilijk voor de eerste expertsystemen, omdat de tools voornamelijk in talen en platforms waren die niet bekend waren in bedrijfsomgevingen.

Het resultaat was dat er een grote inspanning werd geleverd om expertsysteemtools te integreren met legacy-omgevingen, waardoor de overstap naar meer standaardplatforms werd gemaakt.

Deze problemen werden voornamelijk opgelost door de paradigmaverschuiving, aangezien pc's geleidelijk in de computeromgeving werden geaccepteerd als een legitiem platform voor de ontwikkeling van serieuze bedrijfssystemen.

Complexiteit verwerken

Door de omvang van de kennisbank te vergroten, neemt de complexiteit van de verwerking toe.

Als een expertsysteem bijvoorbeeld 100 miljoen regels heeft, is het duidelijk dat het te complex zou zijn en met veel rekenproblemen te maken zou krijgen.

Een inferentie-engine zou een groot aantal regels moeten kunnen verwerken om een ​​beslissing te nemen.

Als er teveel regels zijn, is het ook moeilijk om na te gaan of deze beslissingsregels met elkaar in overeenstemming zijn.

Het is ook moeilijk om prioriteit te geven aan het gebruik van de regels om efficiënter te werken, of hoe onduidelijkheden kunnen worden opgelost.

Kennis update

Een probleem met betrekking tot de kennisbank is hoe u snel en effectief updates kunt maken. Ook hoe u nieuwe kennis kunt toevoegen, dat wil zeggen, waar u deze kunt toevoegen aan zoveel regels.

Toepassingen

Diagnose en probleemoplossing

Het vat alle foutopleidende systemen samen en suggereert corrigerende maatregelen voor een defect proces of apparaat.

Een van de eerste kennisgebieden waar expertsysteemtechnologie werd toegepast, was medische diagnose. De diagnostiek van technische systemen presteerde echter snel beter dan de medische diagnostiek.

De diagnose kan worden uitgedrukt als: gezien het gepresenteerde bewijs, wat is het onderliggende probleem, de reden of de oorzaak?

Planning en planning

Deze expertsystemen analyseren een reeks doelstellingen om een ​​reeks acties te bepalen waarmee die doelstellingen worden bereikt, waarbij ze een gedetailleerde volgorde van die acties in de loop van de tijd geven, rekening houdend met materialen, personeel en andere beperkingen.

Voorbeelden zijn onder meer het personeel van luchtvaartmaatschappijen en vluchtplanning, en de planning van het productieproces.

Financiële beslissingen

Er zijn financiële adviessystemen ontwikkeld om bankiers te helpen bepalen of ze leningen willen verstrekken aan particulieren en bedrijven.

Verzekeringsmaatschappijen gebruiken deze expertsystemen om het risico dat de klant loopt in te schatten en zo de prijs van een verzekering te bepalen.

Procesbewaking en controle

Ze analyseren de gegevens van fysieke apparaten in realtime om anomalieën op te merken, trends te voorspellen en zowel de optimalisatie als de correctie van fouten te controleren.

Voorbeelden van deze systemen zijn in de olieraffinage- en staalindustrie.

Kennisadvies

De primaire functie van deze applicatie is om zinvol inzicht te geven in het probleem van de gebruiker, binnen de omgeving van dat probleem.

De twee expertsystemen die over de hele wereld het meest verspreid zijn, behoren tot deze categorie.

Het eerste van deze systemen is een adviseur die de gebruiker adviseert over het juiste gebruik van grammatica in een tekst.

De tweede is een belastingadviseur die is aangesloten bij een systeem voor het voorbereiden van belastingen. Adviseert de gebruiker over de strategie en specifiek fiscaal beleid.

Referenties

1. Guru99 (2019). Expertsysteem in kunstmatige intelligentie: wat is, toepassingen, voorbeeld. Genomen van: guru99.com.
2. Wikipedia, de gratis encyclopedie (2019). Expert systeem. Ontleend aan: en.wikipedia.org.
3. Margaret Rouse (2019). Expert systeem. Techtarget. Genomen uit: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Expert systeem. Encyclopedie Ontleend aan: britannica.com.
5. Wtec (2019). De toepassingen van expertsystemen. Genomen uit: wtec.org.
6. Virale Nagori (2014). Soorten expertsysteem: vergelijkende studie. Semantic Scholar Ontleend aan: pdfs.semanticscholar.org.
7. World of Computing (2010). Expertsystemen. Ontleend aan: intelligence.worldofcomputing.net.