- Kapasidad ng system
- Kasaysayan
- - Paunang pagpapaunlad
- - Pangunahing pag-unlad
- Dendral
- - Katamtaman
- katangian
- - Antas ng Karanasan
- - Reaksyon sa oras
- - Kahusayan
- - Epektibong mekanismo
- - Pangasiwaan ang mga problema
- - Mga Bahagi
- Batayan ng kaalaman
- Inference engine
- Konklusyon
- Mga Uri
- Batay na batay sa
- Batay sa malabo na lohika
- Neuronal
- Neuronal-nagkakalat
- Kalamangan
- Availability
- Nabawasan ang panganib
- Kaalaman sa negosyo
- Sagot sa paliwanag
- Mabilis na sagot
- Mababang rate ng error
- Walang emosyong tugon
- Pagpapanatili ng kaalaman
- Mabilis na prototyping
- Maramihang mga karanasan
- Mga Kakulangan
- Pagkuha ng kaalaman
- Pagsasama ng system
- Pagproseso ng pagiging kumplikado
- Pag-update ng kaalaman
- Aplikasyon
- Diagnosis at pag-aayos
- Pagplano at pag-iskedyul
- Mga desisyon sa pananalapi
- Proseso ang pagsubaybay at kontrol
- Pagkonsulta sa kaalaman
- Mga Sanggunian
Ang mga sistema ng dalubhasa ay tinukoy bilang mga sistema na tularan ang kakayahan ng paggawa ng desisyon ng isang tao na dalubhasa sa isang partikular na larangan. Ginagamit nila ang parehong mga heuristic na diskarte at mga katotohanan upang malutas ang kumplikadong mga problema sa paggawa ng desisyon nang maaasahan at interactive.
Ang mga ito ay idinisenyo upang malutas ang lubos na kumplikadong mga problema, nangangatuwiran sa pamamagitan ng mga kaalaman sa kaalaman. Sa halip na kinakatawan ng code ng pamamaraan, ang mga ito ay karaniwang kinakatawan ng mga patakaran ng If-Then.

Pinagmulan: pixabay.com
Nagagawa nilang ipahayag ang kanilang sarili at mangatuwiran tungkol sa ilang lugar ng kaalaman, na nagpapahintulot sa kanila na malutas ang maraming mga problema na sa pangkalahatan ay nangangailangan ng isang dalubhasa sa tao. Ang mga sistemang eksperto ang mga nauna sa artipisyal na intelihensiya, malalim na pagkatuto, at mga sistema ng pagkatuto ng makina.
Ang isang dalubhasang sistema ay hindi maaaring kapalit sa pangkalahatang pagganap ng isang manggagawa sa pag-aayos. Gayunpaman, maaari nilang mabawasan ang dami ng trabaho na dapat gawin ng indibidwal upang malutas ang isang problema, iniwan ang malikhaing at makabagong mga aspeto ng paglutas ng problema sa mga tao.
May papel silang mahalagang papel sa maraming industriya, tulad ng mga serbisyo sa pananalapi, telecommunication, pangangalaga sa kalusugan, serbisyo sa customer, mga laro sa video, at pagmamanupaktura.
Kapasidad ng system
Ang isang dalubhasang sistema ay nagsasama ng dalawang subsystem: isang kaalaman na base, na naglalaman ng naipon na mga katotohanan at karanasan, at isang inhindi na makina, na isang hanay ng mga patakaran na mailalapat sa base ng kaalaman o kilalang mga katotohanan sa bawat partikular na sitwasyon, upang maibawas ang mga bago. kumikilos.
Maaaring mapahusay ang mga kakayahan ng system na may mga karagdagan sa base ng kaalaman o set ng panuntunan.
Halimbawa, ang mga sistemang dalubhasa ngayon ay maaari ding magkaroon ng kakayahang matuto nang awtomatiko, na nagpapahintulot sa kanila na mapabuti ang kanilang pagganap batay sa karanasan, tulad ng ginagawa ng mga tao.
Bilang karagdagan, ang mga modernong sistema ay mas madaling isama ang bagong kaalaman at sa gayon ay madaling ma-update. Ang ganitong mga sistema ay maaaring mas mahusay na mai-pangkalahatang mula sa umiiral na kaalaman at hawakan ang maraming mga kumplikadong data.
Kasaysayan
- Paunang pagpapaunlad
Sa huling bahagi ng 1950s, nagsimula ang eksperimento sa posibilidad ng paggamit ng teknolohiya sa computer upang tularan ang paggawa ng desisyon ng tao. Halimbawa, ang mga sistemang tumutulong sa computer ay nagsimulang nilikha para sa mga aplikasyon ng diagnostic sa gamot.
Ang mga paunang sistemang diagnostic na ito ay nagpasok ng mga sintomas ng pasyente at mga resulta ng pagsubok sa laboratoryo sa system upang makabuo ng isang diagnosis bilang isang resulta. Ito ang mga unang anyo ng mga sistema ng dalubhasa.
- Pangunahing pag-unlad
Sa simula ng ika-16, ang mga programa ay binuo na malulutas nang maayos ang mga problema. Halimbawa, mga laro o pagsasalin ng makina.
Ang mga programang ito ay nangangailangan ng matalinong mga diskarte sa pangangatuwiran upang hawakan ang mga lohikal at problemang pang-matematika na ipinakita, ngunit hindi sila nangangailangan ng karagdagang kaalaman.
Sinimulan ng mga mananaliksik na upang malutas ang maraming mga kagiliw-giliw na mga problema, ang mga programa na hindi lamang kailangang mai-interpret ang mga problema, kailangan din nila ang pangunahing kaalaman upang lubos na maunawaan ang mga ito.
Ito ay unti-unting humantong sa pag-unlad ng mga sistema ng dalubhasa, na higit na nakatuon sa kaalaman.
Ang konsepto ng mga dalubhasang sistema ay pormal na binuo noong 1965 ni Edward Feigenbaum, isang propesor sa Stanford University, USA.
Ipinaliwanag ni Feigenbaum na ang mundo ay lumilipat mula sa pagproseso ng data hanggang sa pagproseso ng kaalaman, salamat sa bagong teknolohiya ng processor at arkitektura ng computer.
Dendral
Sa huling bahagi ng 1960, ang isa sa mga unang sistema ng dalubhasa, na tinatawag na Dendral, ay binuo upang matugunan ang pagsusuri ng mga compound ng kemikal.
Ang kaalaman ni Dendral ay binubuo ng daan-daang mga patakaran na inilarawan ang mga pakikipag-ugnayan ng mga compound ng kemikal. Ang mga patakarang ito ay bunga ng mga pakikipagtulungan sa pagitan ng mga chemists at mga siyentipiko sa computer.
- Katamtaman
Ang mga sistemang eksperto ay nagsimulang lumago sa 1980s. Marami sa mga kumpanya ng Fortune 500 ang nag-apply sa teknolohiyang ito sa kanilang pang-araw-araw na mga aktibidad sa negosyo.
Noong 1990s, maraming mga vendor ng application ng negosyo, tulad ng Oracle at SAP, na isinama ang mga kakayahan ng mga sistema ng dalubhasa sa kanilang suite ng mga produkto, bilang isang paraan ng pagpapaliwanag sa lohika ng negosyo.
katangian
- Antas ng Karanasan
Ang isang dalubhasang sistema ay dapat mag-alok ng pinakamataas na antas ng kadalubhasaan. Nagbibigay ng kahusayan, katumpakan at mapanlikha na paglutas ng problema.
- Reaksyon sa oras
Nakikipag-ugnay ang gumagamit sa sistema ng eksperto para sa isang medyo makatuwirang panahon. Ang oras ng pakikipag-ugnay na ito ay dapat na mas mababa sa oras na kinakailangan ng isang dalubhasa upang makuha ang pinaka-tumpak na solusyon para sa parehong problema.
- Kahusayan
Ang sistema ng eksperto ay dapat magkaroon ng mahusay na pagiging maaasahan. Upang gawin ito, hindi ka dapat gumawa ng anumang mga pagkakamali.
- Epektibong mekanismo
Ang sistema ng dalubhasa ay dapat magkaroon ng isang mahusay na mekanismo upang pamahalaan ang compendium ng kaalaman na mayroon dito.
- Pangasiwaan ang mga problema
Ang isang dalubhasang sistema ay dapat na hawakan ang mga mapaghamong problema at gumawa ng mga tamang desisyon upang magbigay ng mga solusyon.
- Mga Bahagi
Batayan ng kaalaman
Ito ay isang organisadong koleksyon ng data na naaayon sa saklaw ng karanasan ng system.
Sa pamamagitan ng mga panayam at obserbasyon sa mga eksperto ng tao, dapat makuha ang mga katotohanan na bumubuo sa base ng kaalaman.
Inference engine
I-interpret at suriin ang mga katotohanan sa base ng kaalaman sa pamamagitan ng mga patakaran, upang magbigay ng isang rekomendasyon o konklusyon.
Ang kaalamang ito ay kinakatawan sa anyo ng mga tuntunin ng Kung-Pagkatapos ng produksyon: "Kung ang isang kondisyon ay totoo, kung gayon ang mga sumusunod na pagbawas ay maaaring gawin."
Konklusyon
Ang isang kadahilanan ng posibilidad ay madalas na nakakabit sa konklusyon ng bawat panuntunan sa produksyon at sa pangwakas na rekomendasyon, dahil ang konklusyon naabot ay hindi isang ganap na katiyakan.
Halimbawa, ang isang dalubhasang sistema para sa pagsusuri ng mga sakit sa mata ay maaaring magpahiwatig, batay sa impormasyong ibinigay, na ang isang tao ay may glaucoma na may posibilidad na 90%.
Gayundin, ang pagkakasunud-sunod ng mga patakaran kung saan naabot ang konklusyon ay maipakita. Ang pagsubaybay sa kadena na ito ay tumutulong na masuri ang pagiging maaasahan ng rekomendasyon at kapaki-pakinabang bilang isang tool sa pag-aaral.
Mga Uri
Batay na batay sa
Sa sistemang ito ang kaalaman ay kinakatawan bilang isang hanay ng mga patakaran. Ang patakaran ay isang direkta at nababaluktot na paraan ng pagpapahayag ng kaalaman.
Ang panuntunan ay binubuo ng dalawang bahagi: ang bahaging "Kung", na tinatawag na kondisyon, at ang "Pagkatapos" na bahagi, na tinatawag na pagbawas. Ang pangunahing syntax ng isang panuntunan ay: Kung (kondisyon) Pagkatapos (pagbabawas).
Batay sa malabo na lohika
Kung nais mong ipahayag ang kaalaman gamit ang mga hindi malinaw na mga salita tulad ng "napakaliit", "katamtaman na mahirap", "hindi iyon luma", malabo na lohika ay maaaring magamit.
Ang lohika na ito ay ginagamit upang ilarawan ang isang hindi wastong kahulugan. Ito ay batay sa ideya na ang lahat ng mga bagay ay inilarawan sa isang sliding scale.
Ang klasikong lohika ay nagpapatakbo ng dalawang mga tiyak na halaga: Totoo (1) at Mali (0). Sa malabo na lohika, ang lahat ng mga halaga ng katiyakan ay ipinahayag bilang tunay na mga numero sa saklaw ng 0 hanggang 1.
Ang malabo na lohika ay kumakatawan sa kaalaman batay sa isang antas ng pagiging totoo, sa halip na ang ganap na katotohanan ng klasikal na lohika.
Neuronal
Ang mga bentahe ng sistema ng dalubhasang nakabatay sa panuntunan ay pinagsama din ang mga bentahe ng neural network, tulad ng pag-aaral, pag-utos, pagkakasunud-sunod, at pagkakatulad na pagpoproseso ng impormasyon.
Ang sistemang ito ay may isang base na kaalaman sa neural, sa halip na ang tradisyunal na base ng kaalaman. Ang kaalaman ay nakaimbak bilang mga timbang sa mga neuron.
Pinapayagan ng kumbinasyon na ito ang neural system ng dalubhasa upang bigyang-katwiran ang mga konklusyon.
Neuronal-nagkakalat
Ang malabo na lohika at neural network ay mga pantulong na tool para sa pagbuo ng mga sistema ng dalubhasa.
Ang mga malabo na sistema ay walang kakayahang matuto at hindi maaaring umangkop sa isang bagong kapaligiran. Sa kabilang banda, kahit na ang mga neural network ay maaaring matuto, ang kanilang proseso ay kumplikado para sa gumagamit.
Ang mga sistemang neural-fuzzy ay maaaring pagsamahin ang mga computational at pag-aaral na kakayahan ng neural network sa representasyon ng kaalaman ng tao at ang mga kasanayan sa paliwanag ng malabo na mga sistema.
Bilang isang resulta, ang mga neural network ay nagiging mas malinaw, habang ang malabo na sistema ay may kakayahang matuto.
Kalamangan
Availability
Ang mga system ng mga dalubhasa ay madaling magagamit, saanman, anumang oras, dahil sa mass production ng software.
Nabawasan ang panganib
Ang isang kumpanya ay maaaring magpatakbo ng isang sistema ng dalubhasa sa mga kapaligiran na mapanganib sa mga tao. Maaari silang magamit sa anumang mapanganib na kapaligiran kung saan hindi maaaring gumana ang mga tao.
Kaalaman sa negosyo
Maaari silang maging isang sasakyan upang makabuo ng kaalaman sa organisasyon, sa kaibahan sa kaalaman ng mga indibidwal sa isang kumpanya.
Sagot sa paliwanag
Nagagawa nilang magbigay ng sapat na paliwanag sa kanilang pagpapasya, na ipinahayag nang detalyado ang pangangatuwiran na humantong sa isang sagot.
Kapag ginamit bilang mga tool sa pagsasanay na nagreresulta sa isang mas mabilis na curve sa pag-aaral para sa mga nagsisimula.
Mabilis na sagot
Tumutulong upang makakuha ng mabilis at tumpak na mga sagot. Ang isang dalubhasang sistema ay maaaring makumpleto ang bahagi ng mga gawain nang mas mabilis kaysa sa isang dalubhasa sa tao.
Mababang rate ng error
Ang rate ng error ng matagumpay na mga system ng dalubhasa ay medyo mababa, kung minsan mas mababa kaysa sa rate ng error ng tao para sa parehong gawain.
Walang emosyong tugon
Gumagana ang mga system ng mga eksperto nang hindi nabigla. Hindi sila nakakakuha ng panahunan, nakakapagod o gulat, at tuluy-tuloy silang nagtatrabaho sa mga emergency na sitwasyon.
Pagpapanatili ng kaalaman
Ang sistema ng eksperto ay nagpapanatili ng isang makabuluhang antas ng impormasyon. Ang nakapaloob na kaalaman na ito ay tatagal nang walang hanggan.
Mabilis na prototyping
Sa pamamagitan ng isang dalubhasang sistema, posible na magpasok ng ilang mga patakaran at bumuo ng isang prototype sa mga araw, sa halip na ang mga buwan o taon na karaniwang nauugnay sa mga kumplikadong proyekto sa IT.
Maramihang mga karanasan
Ang dalubhasang sistema ay maaaring idinisenyo upang maglaman ng kaalaman ng maraming mga kwalipikadong eksperto at sa gayon ay may kakayahang lutasin ang mga kumplikadong problema.
Binabawasan nito ang gastos ng pagkonsulta sa mga consultant sa paglutas ng problema sa eksperto. Ang mga ito ay isang sasakyan para sa pagkuha ng mga mapagkukunan ng kaalaman na mahirap makuha.
Mga Kakulangan
Pagkuha ng kaalaman
Laging mahirap makuha ang oras ng mga eksperto sa mga partikular na larangan para sa anumang aplikasyon ng software, ngunit para sa mga sistema ng dalubhasa lalo na mahirap, dahil ang mga eksperto ay lubos na pinahahalagahan at patuloy na hinihiling ng mga organisasyon.
Bilang kinahinatnan, ang isang malaking halaga ng pananaliksik sa mga nakaraang taon ay nakatuon sa mga tool para sa pagkuha ng kaalaman, na makakatulong upang awtomatiko ang proseso ng disenyo, pag-debug at pagpapanatili ng mga patakaran na tinukoy ng mga eksperto.
Pagsasama ng system
Ang pagsasama ng mga system sa mga database ay mahirap para sa mga unang sistema ng dalubhasa, dahil ang mga tool ay pangunahin sa mga wika at platform na hindi kilala sa mga kapaligiran sa korporasyon.
Bilang isang resulta, isang mahusay na pagsisikap ang ginawa upang pagsamahin ang mga tool ng mga dalubhasa sa mga dalubhasa na may mga kapaligiran sa legacy, na ginagawa ang paglipat sa mas karaniwang mga platform.
Ang mga problemang ito ay pangunahing nalutas ng shift ng paradigma, dahil ang mga PC ay unti-unting tinanggap sa kapaligiran ng computing bilang isang lehitimong platform para sa pagbuo ng mga malubhang sistema ng negosyo.
Pagproseso ng pagiging kumplikado
Ang pagtaas ng laki ng base ng kaalaman ay nagdaragdag ng pagiging kumplikado ng pagproseso.
Halimbawa, kung ang isang sistema ng dalubhasa ay may 100 milyong mga patakaran ay malinaw na ito ay magiging masyadong kumplikado, at haharapin ito ng maraming mga problema sa pagkalkula.
Ang isang pag-iinterpresa ng engine ay kailangang magproseso ng isang malaking bilang ng mga patakaran upang makagawa ng isang pagpapasya.
Kapag napakaraming mga patakaran, mahirap ding i-verify na ang mga panuntunang desisyon na ito ay naaayon sa bawat isa.
Mahirap ring unahin ang paggamit ng mga patakaran upang gumana nang mas mahusay, o kung paano malulutas ang mga ambiguities.
Pag-update ng kaalaman
Ang isang problema na may kaugnayan sa base ng kaalaman ay kung paano mabilis at mabisa ang mga pag-update. Gayundin, kung paano magdagdag ng bagong kaalaman, iyon ay, kung saan idagdag ito sa napakaraming mga patakaran.
Aplikasyon
Diagnosis at pag-aayos
Ibinubuod nito ang lahat ng mga sistema ng pagkakamali sa pagkakamali at nagmumungkahi ng mga pagkilos ng pagwawasto para sa isang maling proseso o aparato.
Ang isa sa mga unang kaalaman na lugar kung saan inilapat ang teknolohiyang sistema ng eksperto ay ang diagnosis ng medikal. Gayunpaman, ang mga sistemang pang-diagnostic na mga diagnostic ay mabilis na naipalabas ang mga medikal na diagnostic.
Ang pagsusuri ay maaaring ipahiwatig bilang: naibigay na katibayan na ipinakita, ano ang pinagbabatayan na problema, dahilan o sanhi?
Pagplano at pag-iskedyul
Sinusuri ng mga dalubhasang system ang isang hanay ng mga layunin upang matukoy ang isang hanay ng mga aksyon na nakamit ang mga layunin, na nagbibigay ng isang detalyadong pag-order ng mga pagkilos na iyon sa paglipas ng panahon, isinasaalang-alang ang mga materyales, tauhan at iba pang mga paghihigpit.
Kasama sa mga halimbawa ang mga staffing ng eroplano at pag-iskedyul ng flight, at pagpaplano ng proseso ng pagmamanupaktura.
Mga desisyon sa pananalapi
Ang mga sistemang nagpapayo sa pinansya ay nilikha upang matulungan ang mga tagabangko na matukoy kung gumawa ng pautang sa mga indibidwal at kumpanya.
Ginagamit ng mga kumpanya ng seguro ang mga sistemang eksperto na ito upang masuri ang panganib na ipinakita ng kliyente at sa gayon matukoy ang presyo ng seguro.
Proseso ang pagsubaybay at kontrol
Sinuri nila ang mga data mula sa mga pisikal na aparato sa real time, upang mapansin ang mga anomalya, mahuhulaan ang mga uso at kontrolin ang parehong pag-optimize at pagwawasto sa kasalanan.
Ang mga halimbawa ng mga sistemang ito ay nasa industriya ng pagpapadalisay ng langis at paggawa ng bakal.
Pagkonsulta sa kaalaman
Ang pangunahing pag-andar ng application na ito ay upang magbigay ng makabuluhang pananaw sa problema ng gumagamit, sa loob ng kapaligiran ng problemang iyon.
Ang dalawang mga dalubhasang sistema na pinaka-malawak na ipinamamahagi sa buong mundo ay kabilang sa kategoryang ito.
Ang una sa mga sistemang ito ay isang tagapayo na nagpapayo sa gumagamit sa tamang paggamit ng grammar sa isang teksto.
Ang pangalawa ay isang tagapayo ng buwis na nakadikit sa isang sistema para sa paghahanda ng mga buwis. Nagpapayo sa gumagamit sa diskarte at partikular na mga patakaran sa buwis.
Mga Sanggunian
- Guru99 (2019). Sistema ng Dalubhasa sa Artipisyal na Katalinuhan: Ano ang, Aplikasyon, Halimbawa. Kinuha mula sa: guru99.com.
- Wikipedia, ang libreng encyclopedia (2019). Sistema ng dalubhasa. Kinuha mula sa: en.wikipedia.org.
- Margaret Rouse (2019). Sistema ng dalubhasa. Techtarget. Kinuha mula sa: searchchenterpriseai.techtarget.com.
- Vladimir Zwass (2019). Sistema ng dalubhasa. Encyclopaedia Kinuha mula sa: britannica.com.
- Wtec (2019). Ang mga Aplikasyon ng mga Dalubhasang System. Kinuha mula sa: wtec.org.
- Viral Nagori (2014). Mga Uri ng Sistema ng Dalubhasa: Paghahambing sa Pag-aaral. Semantiko Scholar Kinuha mula sa: pdfs.semanticscholar.org.
- Mundo ng Pag-compute (2010). Mga Sistema ng Dalubhasa. Kinuha mula sa: intelligence.worldofcomputing.net.
