Expertní systém je počítačový program, který je navržen tak, aby řešil složité problémy a poskytoval rozhodovací schopnost jako lidský expert. Provádí to extrahováním znalostí ze své znalostní báze pomocí pravidel uvažování a vyvozování podle uživatelských dotazů.

Expertní systém je součástí AI a první ES byl vyvinut v roce 1970, což byl první úspěšný přístup umělé inteligence. Jako expert řeší nejsložitější problém extrakcí znalostí uložených v jeho znalostní bázi. Systém pomáhá při rozhodování o použití compsex problémů jak fakta, tak heuristiku jako odborník na člověka . Nazývá se tak, protože obsahuje odborné znalosti konkrétní domény a dokáže vyřešit jakýkoli složitý problém této konkrétní domény. Tyto systémy jsou určeny pro konkrétní doménu, jako je např medicína, věda, atd.

Výkon expertního systému je založen na znalostech experta uložených v jeho znalostní bázi. Čím více znalostí je uloženo v KB, tím více tento systém zlepšuje svůj výkon. Jedním z běžných příkladů ES je návrh pravopisných chyb při psaní do vyhledávacího pole Google.

Níže je blokové schéma, které představuje fungování expertního systému:

Poznámka: Je důležité si uvědomit, že expertní systém nenahrazuje lidské experty; místo toho se používá k pomoci člověku při složitém rozhodování. Tyto systémy nemají lidské schopnosti myslet a pracovat na základě znalostní báze dané domény.

Níže jsou uvedeny některé oblíbené příklady expertního systému:

DENDRAL: Byl to projekt umělé inteligence, který byl vytvořen jako expertní systém pro chemickou analýzu. Byl použit v organické chemii k detekci neznámých organických molekul pomocí jejich hmotnostních spekter a znalostní báze chemie. MYCIN: Byl to jeden z prvních expertních systémů se zpětným řetězením, který byl navržen k nalezení bakterií způsobujících infekce, jako je bakteriémie a meningitida. Používal se také pro doporučení antibiotik a diagnostiku nemocí srážlivosti krve. PXDES: Jde o expertní systém, který se používá k určení typu a úrovně rakoviny plic. K určení nemoci pořídí snímek z horní části těla, který vypadá jako stín. Tento stín identifikuje typ a stupeň poškození. Kadet: Expertní systém CaDet je diagnostický podpůrný systém, který dokáže detekovat rakovinu v raných stádiích.

Charakteristika expertního systému

Vysoký výkon: Expertní systém poskytuje vysoký výkon pro řešení jakéhokoli typu komplexního problému konkrétní domény s vysokou účinností a přesností. Srozumitelný: Reaguje způsobem, který může být pro uživatele snadno srozumitelný. Může přijímat vstupy v lidské řeči a poskytuje výstup stejným způsobem. Spolehlivý: Je velmi spolehlivý pro generování efektivního a přesného výstupu. Vysoce responzivní: ES poskytuje výsledek pro jakýkoli složitý dotaz ve velmi krátkém čase.

Komponenty expertního systému

Expertní systém se skládá především ze tří částí:

Uživatelské rozhraní Inference Engine Znalostní báze

1. Uživatelské rozhraní

S pomocí uživatelského rozhraní expertní systém komunikuje s uživatelem, bere dotazy jako vstup v čitelném formátu a předává je inferenčnímu enginu. Po obdržení odpovědi od inferenčního enginu zobrazí výstup uživateli. Jinými slovy, jedná se o rozhraní, které pomáhá neodbornému uživateli komunikovat s expertním systémem za účelem nalezení řešení .

2. Inference Engine (Pravidla motoru)

• Inferenční stroj je známý jako mozek expertního systému, protože je hlavní procesorovou jednotkou systému. Aplikuje pravidla odvození na znalostní bázi k odvození závěru nebo vyvození nových informací. Pomáhá při odvozování bezchybného řešení dotazů položených uživatelem.
• Pomocí inferenčního enginu systém extrahuje znalosti ze znalostní báze.
• Existují dva typy inferenčního enginu:
Engine pro deterministickou inferenci: Předpokládá se, že závěry vyvozené z tohoto typu inferenčního motoru jsou pravdivé. Je to založeno na fakta a pravidla . Modul pravděpodobnostní inference: Tento typ inferenčního motoru obsahuje nejistotu v závěrech a je založen na pravděpodobnosti.

Inferenční stroj používá k odvození řešení níže uvedené režimy:

Dopředné řetězení: Vychází ze známých faktů a pravidel a aplikuje odvozená pravidla, aby přidal svůj závěr ke známým faktům. Zpětné řetězení: Je to metoda zpětného uvažování, která začíná od cíle a pracuje zpětně, aby dokázala známá fakta.

3. Znalostní báze

• Znalostní báze je typ úložiště, které uchovává znalosti získané od různých odborníků v konkrétní doméně. Je považován za velké úložiště znalostí. Čím více znalostní báze, tím přesnější bude Expertní systém.
• Je to obdoba databáze, která obsahuje informace a pravidla konkrétní domény nebo subjektu.
• Na znalostní bázi lze také nahlížet jako na kolekce objektů a jejich atributů. Například lev je předmět a jeho atributy jsou, že je to savec, není to domácí zvíře atd.

Součásti znalostní báze

Faktické znalosti: Znalosti, které jsou založeny na faktech a uznávané znalostními inženýry, spadají pod faktické znalosti. Heuristické znalosti: Tyto znalosti jsou založeny na praxi, schopnosti hádat, hodnocení a zkušenostech.

Zastoupení znalostí: Používá se k formalizaci znalostí uložených ve znalostní bázi pomocí pravidel If-else.

Získávání znalostí: Je to proces extrahování, organizování a strukturování doménových znalostí, specifikování pravidel pro získání znalostí od různých odborníků a ukládání těchto znalostí do znalostní báze.

Vývoj expertního systému

Zde vysvětlíme fungování expertního systému na příkladu MYCIN ES. Níže jsou uvedeny některé kroky k vytvoření MYCIN:

• Za prvé, ES by měly být krmeny odbornými znalostmi. V případě MYCIN poskytují informace o příčinách, příznacích a dalších znalostech v této oblasti odborníci na lidskou medicínu specializovaní na oblast bakteriální infekce.
• KB MYCIN byla úspěšně aktualizována. Aby to mohl otestovat, lékař mu poskytne nový problém. Problémem je identifikovat přítomnost bakterií zadáním podrobností o pacientovi, včetně symptomů, aktuálního stavu a anamnézy.
• ES bude potřebovat dotazník, který pacient vyplní, aby znal obecné informace o pacientovi, jako je pohlaví, věk atd.
• Nyní systém shromáždil všechny informace, takže najde řešení problému použitím pravidel if-then pomocí inferenčního enginu a pomocí faktů uložených v KB.
• Nakonec poskytne pacientovi odpověď pomocí uživatelského rozhraní.

Účastníci vývoje Expertního systému

Na budování expertního systému se podílejí tři hlavní účastníci:

Expert: Úspěch ES hodně závisí na znalostech poskytnutých lidskými odborníky. Tito odborníci jsou osoby, které se specializují na tuto konkrétní oblast. Znalostní inženýr: Znalostní inženýr je osoba, která shromažďuje znalosti od doménových expertů a poté je kodifikuje do systému podle formalismu. Koncový uživatel: Jedná se o konkrétního člověka nebo skupinu lidí, kteří nemusí být odborníky a práce na expertním systému potřebuje řešení nebo rady pro jeho složité dotazy.

Proč expertní systém?

Před použitím jakékoli technologie musíme mít představu o tom, proč tuto technologii používat, a tedy totéž pro ES. Přestože máme lidské odborníky v každé oblasti, co je potřeba vyvinout počítačový systém. Níže jsou tedy body, které popisují potřebu ES:

Žádná omezení paměti: Dokáže uložit tolik dat, kolik je potřeba, a dokáže si je zapamatovat v době své aplikace. Ale pro lidské experty existují určitá omezení, jak si zapamatovat všechny věci v každém okamžiku. Vysoká účinnost: Pokud je znalostní báze aktualizována správnými znalostmi, pak poskytuje vysoce efektivní výstup, který nemusí být pro člověka možný. Odbornost v doméně: V každé doméně je mnoho lidských expertů a všichni mají různé dovednosti, různé zkušenosti a různé dovednosti, takže není snadné získat konečný výstup pro dotaz. Ale pokud vložíme znalosti získané od lidských expertů do expertního systému, pak poskytuje efektivní výstup smícháním všech faktů a znalostí. Není ovlivněn emocemi: Tyto systémy nejsou ovlivněny lidskými emocemi, jako je únava, vztek, deprese, úzkost atd.. Výkon tedy zůstává konstantní. Vysoká bezpečnost: Tyto systémy poskytují vysokou bezpečnost pro vyřešení jakéhokoli dotazu. Bere v úvahu všechna fakta: Aby mohl odpovědět na jakýkoli dotaz, zkontroluje a zváží všechna dostupná fakta a podle toho poskytne výsledek. Ale je možné, že lidský expert nemusí z jakéhokoli důvodu brát v úvahu některá fakta. Pravidelné aktualizace zlepšují výkon: Pokud se vyskytne problém ve výsledku poskytnutém expertními systémy, můžeme zlepšit výkon systému aktualizací znalostní báze.

Schopnosti expertního systému

Níže jsou uvedeny některé funkce expertního systému:

Poradenství: Je schopen poradit lidské bytosti při dotazu na jakoukoli doménu z konkrétní ES. Poskytněte možnosti rozhodování: Poskytuje schopnost rozhodování v jakékoli oblasti, jako je přijímání jakýchkoli finančních rozhodnutí, rozhodnutí v lékařské vědě atd. Předveďte zařízení: Je schopen předvést jakékoli nové produkty, jako jsou jeho vlastnosti, specifikace, způsob použití tohoto produktu atd. Řešení problému: Má schopnosti řešit problémy. Vysvětlení problému: Je také schopen poskytnout podrobný popis vstupního problému. Interpretace vstupu: Je schopen interpretovat vstup zadaný uživatelem. Předpovídání výsledků: Lze jej použít k predikci výsledku. Diagnóza: ES navržený pro oblast medicíny je schopen diagnostikovat onemocnění bez použití více komponent, protože již obsahuje různé vestavěné lékařské nástroje.

Výhody expertního systému

• Tyto systémy jsou vysoce reprodukovatelné.
• Lze je použít na riziková místa, kde není bezpečná přítomnost člověka.
• Možnosti chyb jsou menší, pokud KB obsahuje správné znalosti.
• Výkon těchto systémů zůstává stabilní, protože není ovlivněn emocemi, napětím nebo únavou.
• Poskytují velmi vysokou rychlost odpovědi na konkrétní dotaz.

Omezení expertního systému

• Odpověď expertního systému může být chybná, pokud znalostní báze obsahuje nesprávné informace.
• Stejně jako lidská bytost nemůže vytvářet kreativní výstupy pro různé scénáře.
• Náklady na jeho údržbu a vývoj jsou velmi vysoké.
• Získávání znalostí pro projektování je velmi obtížné.
• Pro každou doménu požadujeme specifický ES, což je jedno z velkých omezení.
• Nemůže se učit sám od sebe, a proto vyžaduje ruční aktualizace.

Aplikace expertního systému

V oblasti designu a výroby
Může být široce používán pro navrhování a výrobu fyzických zařízení, jako jsou čočky fotoaparátů a automobily. V doméně znalostí
Tyto systémy se primárně používají pro publikování příslušných znalostí uživatelům. Dva populární ES používané pro tuto doménu jsou poradce a daňový poradce. V oblasti financí
Ve finančních odvětvích se používá k odhalování jakéhokoli typu možného podvodu, podezřelé činnosti a poradenství bankéřům, zda by měli poskytovat úvěry pro podnikání nebo ne. Při diagnostice a odstraňování závad zařízení
V lékařské diagnostice se používá systém ES a byla to první oblast, kde byly tyto systémy použity. Plánování a rozvrhování
Expertní systémy lze také použít pro plánování a plánování některých konkrétních úkolů pro dosažení cíle daného úkolu.