Das Expertensysteme Sie sind als Computersysteme definiert, die die Entscheidungsfähigkeit eines menschlichen Experten auf einem bestimmten Gebiet nachahmen. Sie verwenden sowohl heuristische Strategien als auch Fakten, um komplexe Entscheidungsprobleme zuverlässig und interaktiv zu lösen.
Sie wurden entwickelt, um hochkomplexe Probleme zu lösen und durch Wissensdatenbanken zu argumentieren. Anstatt mit einem prozeduralen Code dargestellt zu werden, tun sie dies im Wesentlichen mit Wenn-Dann-Regeln.
Sie sind in der Lage, sich auszudrücken und über ein bestimmtes Wissensgebiet nachzudenken, wodurch sie viele Probleme lösen können, die im Allgemeinen einen menschlichen Experten erfordern würden. Expertensysteme waren die Vorgänger der heutigen Systeme für künstliche Intelligenz, tiefes Lernen und maschinelles Lernen.
Ein Expertensystem kann die Gesamtleistung eines Arbeitnehmers bei der Problemlösung nicht ersetzen. Sie können jedoch den Arbeitsaufwand, den der Einzelne zur Lösung eines Problems leisten muss, drastisch reduzieren und die kreativen und innovativen Aspekte der Problemlösung den Menschen überlassen..
Sie haben in vielen Branchen eine wichtige Rolle gespielt, beispielsweise in den Bereichen Finanzdienstleistungen, Telekommunikation, Gesundheitswesen, Kundendienst, Videospiele und Fertigung..
Artikelverzeichnis
Ein Expertensystem umfasst zwei Subsysteme: eine Wissensbasis, die gesammelte Fakten und Erfahrungen enthält, und eine Inferenzmaschine, die eine Reihe von Regeln enthält, die auf die Wissensbasis oder bekannte Fakten in jeder bestimmten Situation anzuwenden sind, um neue abzuleiten. Fakten.
Die Systemfunktionen können durch Ergänzungen der Wissensdatenbank oder des Regelsatzes erweitert werden.
Zum Beispiel können heutige Expertensysteme auch automatisch lernen, so dass sie ihre Leistung basierend auf Erfahrung verbessern können, genau wie Menschen..
Darüber hinaus können moderne Systeme neues Wissen leichter einbinden und somit leicht aktualisiert werden. Solche Systeme können das vorhandene Wissen besser verallgemeinern und große Mengen komplexer Daten verarbeiten..
In den späten 1950er Jahren begannen Experimente mit der Möglichkeit, mithilfe von Computertechnologie menschliche Entscheidungen nachzuahmen. Beispielsweise wurden computergestützte Systeme für diagnostische Anwendungen in der Medizin entwickelt..
Diese anfänglichen Diagnosesysteme gaben Patientensymptome und Labortestergebnisse in das System ein, um als Ergebnis eine Diagnose zu generieren. Dies waren die frühesten Formen von Expertensystemen.
Anfang der sechziger Jahre wurden Programme entwickelt, die genau definierte Probleme lösten. Zum Beispiel Spiele oder maschinelle Übersetzungen.
Diese Programme erforderten intelligente Argumentationstechniken, um die vorgestellten logischen und mathematischen Probleme zu bewältigen, erforderten jedoch nicht viel zusätzliches Wissen..
Die Forscher begannen zu begreifen, dass Programme zur Lösung vieler interessanter Probleme nicht nur in der Lage sein mussten, die Probleme zu interpretieren, sondern auch Grundkenntnisse benötigten, um sie vollständig zu verstehen..
Dies führte nach und nach zur Entwicklung von Expertensystemen, die sich mehr auf Wissen konzentrierten.
Das Konzept der Expertensysteme wurde 1965 von Edward Feigenbaum, Professor an der Stanford University, USA, formell entwickelt..
Feigenbaum erklärte, dass die Welt dank neuer Prozessortechnologie und Computerarchitekturen von der Datenverarbeitung zur Wissensverarbeitung übergeht.
Ende der sechziger Jahre wurde mit Dendral eines der ersten Expertensysteme entwickelt, das sich mit der Analyse chemischer Verbindungen befasst.
Dendrals Wissen bestand aus Hunderten von Regeln, die die Wechselwirkungen chemischer Verbindungen beschrieben. Diese Regeln sind das Ergebnis jahrelanger Zusammenarbeit zwischen Chemikern und Informatikern.
Expertensysteme begannen sich in den 1980er Jahren zu vermehren. Viele der Fortune 500-Unternehmen haben diese Technologie in ihren täglichen Geschäftsaktivitäten eingesetzt.
In den neunziger Jahren haben viele Anbieter von Geschäftsanwendungen wie Oracle und SAP die Funktionen von Expertensystemen in ihre Produktsuite integriert, um die Geschäftslogik zu erklären..
Ein Expertensystem muss ein Höchstmaß an Fachwissen bieten. Bietet Effizienz, Präzision und einfallsreiche Problemlösung.
Der Benutzer interagiert für einen angemessenen Zeitraum mit dem Expertensystem. Die Zeit dieser Interaktion muss kürzer sein als die Zeit, die ein Experte benötigt, um die genaueste Lösung für dasselbe Problem zu erhalten..
Das Expertensystem muss eine gute Zuverlässigkeit aufweisen. Dazu dürfen Sie keinen Fehler machen.
Das Expertensystem muss über einen effizienten Mechanismus verfügen, um das darin vorhandene Wissenskompendium verwalten zu können..
Ein Expertensystem muss in der Lage sein, herausfordernde Probleme zu bewältigen und die richtigen Entscheidungen zu treffen, um Lösungen bereitzustellen..
Es handelt sich um eine organisierte Sammlung von Daten, die dem Erfahrungsumfang des Systems entsprechen.
Durch Interviews und Beobachtungen mit menschlichen Experten müssen die Fakten, aus denen sich die Wissensbasis zusammensetzt, ermittelt werden.
Interpretiert und bewertet die Fakten in der Wissensbasis anhand von Regeln, um eine Empfehlung oder Schlussfolgerung zu geben.
Dieses Wissen wird in Form von Wenn-Dann-Produktionsregeln dargestellt: "Wenn eine Bedingung erfüllt ist, kann der folgende Abzug vorgenommen werden.".
Oft wird ein Wahrscheinlichkeitsfaktor an die Schlussfolgerung jeder Produktionsregel und an die endgültige Empfehlung angehängt, da die Schlussfolgerung keine absolute Gewissheit ist..
Beispielsweise könnte ein Expertensystem zur Diagnose von Augenkrankheiten auf der Grundlage der bereitgestellten Informationen anzeigen, dass eine Person ein Glaukom mit einer Wahrscheinlichkeit von 90% hat.
Zusätzlich kann die Reihenfolge der Regeln gezeigt werden, durch die die Schlussfolgerung gezogen wurde. Die Überwachung dieser Kette hilft bei der Beurteilung der Glaubwürdigkeit der Empfehlung und ist als Lerninstrument nützlich.
In diesem System wird Wissen als Regelwerk dargestellt. Die Regel ist eine direkte und flexible Art, Wissen auszudrücken.
Die Regel besteht aus zwei Teilen: dem "Wenn" -Teil, der als Bedingung bezeichnet wird, und dem "Dann" -Teil, der als Abzug bezeichnet wird. Die grundlegende Syntax einer Regel lautet: If (Bedingung) Then (Abzug).
Wenn Sie Wissen mit vagen Wörtern wie "sehr reduziert", "mäßig schwierig", "nicht so alt" ausdrücken möchten, können Sie Fuzzy-Logik verwenden.
Diese Logik wird verwendet, um eine ungenaue Definition zu beschreiben. Es basiert auf der Idee, dass alle Dinge auf einer gleitenden Skala beschrieben werden.
Die klassische Logik arbeitet mit zwei Sicherheitswerten: Wahr (1) und Falsch (0). In der Fuzzy-Logik werden alle Sicherheitswerte als reelle Zahlen innerhalb des Intervalls zwischen 0 und 1 ausgedrückt.
Fuzzy-Logik repräsentiert Wissen, das auf einem Grad an Wahrhaftigkeit basiert, und nicht auf der absoluten Wahrhaftigkeit der klassischen Logik..
Die Vorteile des regelbasierten Expertensystems kombinieren auch die Vorteile des neuronalen Netzwerks wie Lernen, Generalisierung, Robustheit und parallele Informationsverarbeitung..
Dieses System verfügt eher über eine neuronale Wissensbasis als über die traditionelle Wissensbasis. Wissen wird als Gewicht in Neuronen gespeichert.
Diese Kombination ermöglicht es dem neuronalen Expertensystem, seine Schlussfolgerungen zu rechtfertigen..
Fuzzy-Logik und neuronale Netze sind komplementäre Werkzeuge zum Aufbau von Expertensystemen.
Fuzzy-Systeme sind nicht lernfähig und können sich nicht an eine neue Umgebung anpassen. Auf der anderen Seite ist ihr Prozess für den Benutzer sehr kompliziert, obwohl neuronale Netze lernen können..
Neuronale Fuzzy-Systeme können die Rechen- und Lernfähigkeiten des neuronalen Netzwerks mit der Darstellung menschlichen Wissens und den Erklärungsfähigkeiten von Fuzzy-Systemen kombinieren..
Infolgedessen werden neuronale Netze transparenter, während das Fuzzy-System lernfähig wird..
Aufgrund der Massenproduktion der Software sind Expertensysteme überall und jederzeit leicht verfügbar.
Ein Unternehmen kann ein Expertensystem in Umgebungen betreiben, die für Menschen gefährlich sind. Sie können in jeder gefährlichen Umgebung eingesetzt werden, in der Menschen nicht arbeiten können.
Sie können im Gegensatz zum Wissen von Einzelpersonen in einem Unternehmen zu einem Mittel werden, um organisatorisches Wissen zu entwickeln.
Sie sind in der Lage, ihre Entscheidungsfindung angemessen zu erläutern und die Gründe, die zu einer Antwort geführt haben, ausführlich darzulegen.
Als Trainingsinstrumente führen sie zu einer schnelleren Lernkurve für Anfänger.
Hilft, schnelle und genaue Antworten zu erhalten. Ein Expertensystem kann seinen Aufgabenanteil viel schneller erledigen als ein menschlicher Experte.
Die Fehlerrate erfolgreicher Expertensysteme ist ziemlich niedrig, manchmal viel niedriger als die menschliche Fehlerrate für dieselbe Aufgabe..
Expertensysteme funktionieren ohne Aufregung. Sie werden nicht angespannt, müde oder panisch und arbeiten in Notsituationen stetig.
Das Expertensystem verfügt über ein erhebliches Informationsniveau. Dieses enthaltene Wissen wird auf unbestimmte Zeit anhalten.
Mit einem Expertensystem ist es möglich, einige Regeln einzugeben und einen Prototyp in Tagen zu entwickeln, anstatt in den Monaten oder Jahren, die üblicherweise mit komplexen IT-Projekten verbunden sind.
Das Expertensystem kann so konzipiert sein, dass es das Wissen vieler qualifizierter Experten enthält und somit komplexe Probleme lösen kann.
Dies reduziert die Kosten für die Beratung von Experten zur Problemlösung. Sie sind ein Mittel, um schwer zu beschaffende Wissensquellen zu erhalten.
Es ist immer schwierig, die Zeit von Experten in bestimmten Bereichen für eine Softwareanwendung zu finden, aber für Expertensysteme ist es besonders schwierig, da Experten von Organisationen hoch geschätzt und ständig nachgefragt werden..
Infolgedessen hat sich in den letzten Jahren ein großer Teil der Forschung auf Tools zum Erwerb von Wissen konzentriert, die dazu beitragen, den Prozess des Entwurfs, des Debuggens und der Wartung der von Experten definierten Regeln zu automatisieren..
Die Integration der Systeme in die Datenbanken war für die ersten Expertensysteme schwierig, da die Tools hauptsächlich in Sprachen und Plattformen verfügbar waren, die in Unternehmensumgebungen nicht bekannt waren.
Infolgedessen wurden große Anstrengungen unternommen, um Expertensystemtools in ältere Umgebungen zu integrieren und die Übertragung auf Standardplattformen zu ermöglichen..
Diese Probleme wurden hauptsächlich durch den Paradigmenwechsel gelöst, da PCs in der Computerumgebung allmählich als legitime Plattform für die Entwicklung seriöser Geschäftssysteme akzeptiert wurden..
Das Erhöhen der Größe der Wissensbasis erhöht die Komplexität der Verarbeitung.
Wenn ein Expertensystem beispielsweise 100 Millionen Regeln hat, ist es offensichtlich, dass es zu komplex wäre und mit vielen Rechenproblemen konfrontiert wäre.
Eine Inferenzmaschine müsste 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 schwierig zu überprüfen, ob diese Entscheidungsregeln miteinander übereinstimmen..
Es ist auch schwierig, die Verwendung der Regeln zu priorisieren, um effizienter zu arbeiten, oder wie Unklarheiten gelöst werden können..
Ein Problem im Zusammenhang mit der Wissensdatenbank besteht darin, wie Updates schnell und effektiv durchgeführt werden können. Außerdem, wie man ein neues Wissen hinzufügt, dh wo man es unter so vielen Regeln hinzufügt.
Fasst alle Systeme zusammen, die auf Fehler schließen, und schlägt Korrekturmaßnahmen für einen fehlerhaften Prozess oder ein fehlerhaftes Gerät vor.
Einer der ersten Wissensbereiche, in denen Expertensystemtechnik angewendet wurde, war die medizinische Diagnose. Die Diagnostik technischer Systeme übertraf jedoch schnell die medizinische Diagnostik.
Die Diagnose kann ausgedrückt werden als: Angesichts der vorgelegten Beweise, was ist das zugrunde liegende Problem, der Grund oder die Ursache?
Diese Expertensysteme analysieren eine Reihe von Zielen, um eine Reihe von Maßnahmen zu ermitteln, mit denen diese Ziele erreicht werden, und bieten eine detaillierte Reihenfolge dieser Maßnahmen im Zeitverlauf unter Berücksichtigung von Materialien, Personal und anderen Einschränkungen..
Beispiele hierfür sind das Personal der Fluggesellschaft und die Flugplanung sowie die Planung des Herstellungsprozesses.
Es wurden Finanzberatungssysteme geschaffen, mit denen Banker entscheiden können, ob sie Kredite an Privatpersonen und Unternehmen vergeben..
Versicherungsunternehmen verwenden diese Expertensysteme, um das vom Kunden ausgehende Risiko zu bewerten und damit den Versicherungspreis zu bestimmen.
Sie analysieren die Daten physischer Geräte in Echtzeit, um Anomalien zu erkennen, Trends vorherzusagen und sowohl die Optimierung als auch die Korrektur von Fehlern zu steuern.
Beispiele für diese Systeme sind in der Ölraffinerie- und Stahlindustrie..
Die Hauptfunktion dieser Anwendung besteht darin, in der Umgebung dieses Problems aussagekräftiges Wissen für das Problem des Benutzers bereitzustellen..
Zu dieser Kategorie gehören die beiden weltweit am weitesten verbreiteten Expertensysteme..
Das erste dieser Systeme ist ein Berater, der den Benutzer über die korrekte Verwendung der Grammatik in einem Text berät.
Der zweite ist ein Steuerberater, der an ein System zur Vorbereitung von Steuern angeschlossen ist. Berät den Benutzer über die Strategie und bestimmte Steuerrichtlinien.
Bisher hat noch niemand einen Kommentar zu diesem Artikel abgegeben.