Il sistemi esperti Sono definiti come sistemi informatici che emulano la capacità decisionale di un esperto umano in un particolare campo. Usano sia strategie euristiche che fatti per risolvere problemi decisionali complessi in modo affidabile e interattivo.
Sono progettati per risolvere problemi molto complessi, ragionando attraverso basi di conoscenza. Invece di essere rappresentati con un codice basato sulla procedura, lo fanno fondamentalmente con le regole If-Then.
Sono in grado di esprimersi e ragionare su alcuni campi di conoscenza, il che consente loro di risolvere molti problemi che generalmente richiederebbero un esperto umano. I sistemi esperti sono stati i predecessori degli odierni sistemi di intelligenza artificiale, deep learning e machine learning.
Un sistema esperto non può sostituire le prestazioni complessive di un lavoratore nella risoluzione dei problemi. Tuttavia, possono ridurre drasticamente la quantità di lavoro che l'individuo deve svolgere per risolvere un problema, lasciando alle persone gli aspetti creativi e innovativi della risoluzione dei problemi..
Hanno svolto un ruolo importante in molti settori, come i servizi finanziari, le telecomunicazioni, la sanità, il servizio clienti, i videogiochi e la produzione..
Indice articolo
Un sistema esperto incorpora due sottosistemi: una base di conoscenza, che contiene fatti ed esperienze accumulati, e un motore di inferenza, che è un insieme di regole da applicare alla base di conoscenza o fatti noti in ogni situazione particolare, al fine di dedurne di nuovi. fatti.
Le capacità del sistema possono essere migliorate con aggiunte alla knowledge base o al set di regole.
Ad esempio, i sistemi esperti di oggi possono anche avere la capacità di apprendere automaticamente, consentendo loro di migliorare le proprie prestazioni in base all'esperienza, proprio come fanno gli esseri umani..
Inoltre, i sistemi moderni possono incorporare più facilmente nuove conoscenze e quindi essere facilmente aggiornati. Tali sistemi possono generalizzare meglio dalla conoscenza esistente e gestire grandi quantità di dati complessi..
Alla fine degli anni '50, iniziò la sperimentazione con la possibilità di utilizzare la tecnologia informatica per emulare il processo decisionale umano. Ad esempio, si è iniziato a creare sistemi assistiti da computer per applicazioni diagnostiche in medicina..
Questi sistemi diagnostici iniziali hanno immesso i sintomi del paziente e i risultati dei test di laboratorio nel sistema per generare una diagnosi come risultato. Queste erano le prime forme di sistemi esperti.
All'inizio degli anni Sessanta furono sviluppati programmi che risolvevano problemi ben definiti. Ad esempio, giochi o traduzioni automatiche.
Questi programmi richiedevano tecniche di ragionamento intelligenti per gestire i problemi logici e matematici presentati, ma non richiedevano molte conoscenze aggiuntive..
I ricercatori hanno iniziato a rendersi conto che per risolvere molti problemi interessanti, i programmi non solo dovevano essere in grado di interpretare i problemi, ma necessitavano anche di conoscenze di base per comprenderli appieno..
Ciò ha portato gradualmente allo 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, USA..
Feigenbaum ha spiegato che il mondo si stava spostando dall'elaborazione dei dati all'elaborazione della conoscenza, grazie alla nuova tecnologia dei processori e alle architetture dei computer.
Alla fine degli anni Sessanta viene sviluppato uno dei primi sistemi esperti, denominato Dendral, rivolto all'analisi dei composti chimici.
La conoscenza di Dendral consisteva in centinaia di regole che descrivevano le interazioni dei composti chimici. Queste regole erano il risultato di anni di collaborazione tra chimici e informatici.
I sistemi esperti hanno iniziato a proliferare negli anni '80. Molte delle società Fortune 500 hanno applicato questa tecnologia nelle loro attività lavorative quotidiane.
Negli anni '90, molti fornitori di applicazioni aziendali, come Oracle e SAP, hanno integrato le capacità di sistemi esperti nella loro suite di prodotti per spiegare la logica aziendale..
Un sistema esperto deve offrire il massimo livello di competenza. Fornisce efficienza, precisione e fantasiosa risoluzione dei problemi.
L'utente interagisce con il sistema esperto per un periodo di tempo abbastanza ragionevole. Il tempo di questa interazione deve essere inferiore al tempo che un esperto impiega per ottenere la soluzione più precisa per lo stesso problema..
Il sistema esperto deve avere una buona affidabilità. Per fare questo, non devi commettere alcun tipo di errore.
Il sistema esperto deve disporre di un meccanismo efficiente per poter gestire il compendio di conoscenze esistenti in esso..
Un sistema esperto deve essere in grado di gestire problemi impegnativi e prendere le giuste decisioni per fornire soluzioni..
Si tratta di una raccolta organizzata di dati corrispondenti all'ambito di esperienza del sistema.
Attraverso interviste e osservazioni con esperti umani, devono essere presi i fatti che compongono la base di conoscenza.
Interpreta e valuta i fatti nella knowledge base attraverso regole, al fine di fornire una raccomandazione o una conclusione.
Questa conoscenza è rappresentata sotto forma di regole di produzione If-Then: "Se una condizione è vera, si può fare la seguente deduzione".
Spesso alla conclusione di ogni regola di produzione e alla raccomandazione finale è associato un fattore di probabilità, perché la conclusione raggiunta non è una certezza assoluta..
Ad esempio, un sistema esperto per la diagnosi delle malattie degli occhi potrebbe indicare, sulla base delle informazioni fornite, che una persona ha il glaucoma con una probabilità del 90%.
Inoltre, è possibile mostrare la sequenza di regole attraverso le quali è stata raggiunta la conclusione. Il monitoraggio di questa catena aiuta a valutare la credibilità della raccomandazione ed è utile come strumento di apprendimento.
In questo sistema la conoscenza è rappresentata come un insieme di regole. La regola è un modo diretto e flessibile di esprimere la conoscenza.
La regola è composta da due parti: la parte "Se", chiamata condizione, e la parte "Allora", chiamata deduzione. La sintassi di base di una regola è: If (condition) Then (deduction).
Quando vuoi esprimere la conoscenza usando parole vaghe come "molto ridotto", "moderatamente difficile", "non così vecchio", puoi usare la logica fuzzy.
Questa logica viene utilizzata per descrivere una definizione imprecisa. Si basa sull'idea che tutte le cose sono descritte su una scala mobile.
La logica classica opera con due valori di certezza: True (1) e False (0). Nella logica fuzzy, tutti i valori di certezza sono espressi come numeri reali nell'intervallo tra 0 e 1.
La logica fuzzy rappresenta la conoscenza basata su un grado di veridicità, piuttosto che l'assoluta veridicità della logica classica..
I vantaggi del sistema esperto basato su regole combinano anche i vantaggi della rete neurale, come l'apprendimento, la generalizzazione, la robustezza e l'elaborazione parallela delle informazioni..
Questo sistema ha una base di conoscenza neurale, piuttosto che la base di conoscenza tradizionale. La conoscenza è immagazzinata come pesi nei neuroni.
Questa combinazione consente al sistema esperto neurale di giustificare le proprie conclusioni..
La logica fuzzy e le reti neurali sono strumenti complementari per la creazione di sistemi esperti.
I sistemi fuzzy non hanno la capacità di apprendere e non possono adattarsi a un nuovo ambiente. D'altra parte, sebbene le reti neurali possano apprendere, il loro processo è molto complicato per l'utente..
I sistemi neurali fuzzy possono combinare le capacità di calcolo e apprendimento della rete neurale con la rappresentazione della conoscenza umana e le capacità di spiegazione dei sistemi fuzzy..
Di conseguenza, le reti neurali diventano più trasparenti, mentre il sistema fuzzy diventa in grado di apprendere..
I sistemi esperti sono facilmente disponibili, ovunque e in qualsiasi momento, grazie alla produzione in serie del software.
Un'azienda può gestire un sistema esperto in ambienti pericolosi per l'uomo. Possono essere utilizzati in qualsiasi ambiente pericoloso in cui gli esseri umani non possono lavorare.
Possono diventare un veicolo per sviluppare la conoscenza organizzativa, in contrasto con la conoscenza delle persone in un'azienda.
Sono in grado di dare una spiegazione adeguata del loro processo decisionale, esprimendo in dettaglio il ragionamento che ha portato a una risposta.
Se utilizzati come strumenti di formazione, si traducono in una curva di apprendimento più rapida per i principianti.
Aiuta a ottenere risposte rapide e precise. Un sistema esperto può completare la sua quota di attività molto più velocemente di un esperto umano.
Il tasso di errore dei sistemi esperti di successo è piuttosto basso, a volte molto inferiore al tasso di errore umano per la stessa attività..
I sistemi esperti funzionano senza eccitarsi. Non diventano tesi, affaticati o in preda al panico e lavorano costantemente durante le situazioni di emergenza.
Il sistema esperto mantiene un livello significativo di informazioni. Questa conoscenza contenuta durerà indefinitamente.
Con un sistema esperto è possibile inserire alcune regole e sviluppare un prototipo in giorni, invece dei mesi o anni comunemente associati a progetti IT complessi.
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 la spesa per la consulenza di consulenti esperti per la risoluzione dei problemi. Sono un veicolo per ottenere fonti di conoscenza difficili da ottenere.
È sempre difficile ottenere il tempo di esperti in campi particolari per qualsiasi applicazione software, ma per 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 conoscenza, che aiutano ad automatizzare il processo di progettazione, debugging e mantenimento delle regole definite dagli esperti..
L'integrazione dei sistemi con i database era difficile per i primi sistemi esperti, perché gli strumenti erano principalmente in linguaggi e piattaforme non conosciute negli ambienti aziendali.
Di conseguenza, è stato fatto un grande sforzo per integrare strumenti di sistemi esperti con ambienti legacy, 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 aziendali seri..
L'aumento delle dimensioni della base di conoscenza aumenta la complessità dell'elaborazione.
Ad esempio, se un sistema esperto ha 100 milioni di regole è ovvio 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 difficile verificare che queste regole decisionali siano coerenti tra loro..
È anche difficile dare la priorità all'uso delle regole per operare in modo più efficiente o come risolvere le ambiguità..
Un problema relativo alla knowledge base è come eseguire gli aggiornamenti in modo rapido ed efficace. Inoltre, come aggiungere una nuova conoscenza, cioè dove aggiungerla tra tante regole.
Riassume tutti i sistemi che deducono guasti e suggerisce azioni correttive per un processo o dispositivo malfunzionante.
Una delle prime aree di conoscenza in cui è stata applicata la tecnologia dei sistemi esperti è stata la diagnosi medica. Tuttavia, la diagnostica dei sistemi di ingegneria ha rapidamente superato la diagnostica medica.
La diagnosi può essere espressa come: date le prove presentate, qual è il problema sottostante, il motivo o la causa?
Questi sistemi esperti analizzano una serie di obiettivi per determinare una serie di azioni che raggiungono tali obiettivi, fornendo un ordine dettagliato di tali azioni nel tempo, considerando materiali, personale e altre restrizioni..
Gli esempi includono il personale della compagnia aerea e la pianificazione dei voli e la pianificazione del processo di produzione.
Sono stati creati sistemi di consulenza finanziaria per aiutare i banchieri a determinare se concedere prestiti a privati e aziende..
Le compagnie di assicurazione utilizzano questi sistemi esperti per valutare il rischio che presenta il cliente e quindi determinare il prezzo dell'assicurazione.
Analizzano i dati dei dispositivi fisici in tempo reale, al fine di rilevare anomalie, prevedere andamenti e controllare sia l'ottimizzazione che la correzione dei guasti.
Esempi di questi sistemi sono nelle industrie di raffinazione del petrolio e di produzione dell'acciaio..
La funzione principale di questa applicazione è fornire una conoscenza significativa del problema dell'utente, all'interno dell'ambiente di quel problema..
Appartengono a questa categoria i due sistemi esperti più diffusi nel mondo..
Il primo di questi sistemi è un advisor che consiglia l'utente sull'uso corretto della grammatica in un testo.
Il secondo è un consulente fiscale collegato a un sistema per la preparazione delle imposte. Consiglia l'utente sulla strategia e sulle politiche fiscali particolari.
Nessun utente ha ancora commentato questo articolo.