Et ekspertsystem er et dataprogram som er designet for å løse komplekse problemer og gi beslutningsevne som en menneskelig ekspert. Den utfører dette ved å trekke ut kunnskap fra sin kunnskapsbase ved å bruke resonnement- og slutningsreglene i henhold til brukerspørsmålene.

Ekspertsystemet er en del av AI, og den første ES ble utviklet i 1970, som var den første vellykkede tilnærmingen til kunstig intelligens. Den løser det mest komplekse problemet som ekspert ved å trekke ut kunnskapen som er lagret i kunnskapsbasen. Systemet hjelper i beslutningstaking for compsex-problemer ved å bruke både fakta og heuristikk som en menneskelig ekspert . Det kalles det fordi det inneholder ekspertkunnskapen om et spesifikt domene og kan løse ethvert komplekst problem for det aktuelle domenet. Disse systemene er designet for et spesifikt domene, som f.eks medisin, vitenskap, etc.

Ytelsen til et ekspertsystem er basert på ekspertens kunnskap lagret i dens kunnskapsbase. Jo mer kunnskap som er lagret i KB, jo mer forbedrer systemet ytelsen. Et av de vanlige eksemplene på en ES er et forslag om stavefeil mens du skriver i Google-søkeboksen.

Nedenfor er blokkdiagrammet som representerer arbeidet til et ekspertsystem:

Merk: Det er viktig å huske at et ekspertsystem ikke brukes til å erstatte de menneskelige ekspertene; i stedet brukes den til å hjelpe mennesket med å ta en kompleks avgjørelse. Disse systemene har ikke menneskelige evner til å tenke og arbeide på grunnlag av kunnskapsgrunnlaget til det bestemte domenet.

Nedenfor er noen populære eksempler på ekspertsystemet:

DENDRAL:Det var et kunstig intelligensprosjekt som ble laget som et ekspertsystem for kjemisk analyse. Det ble brukt i organisk kjemi for å oppdage ukjente organiske molekyler ved hjelp av deres massespektre og kunnskapsbase om kjemi.MYCIN:Det var et av de tidligste tilbakelente ekspertsystemene som ble designet for å finne bakteriene som forårsaker infeksjoner som bakteriemi og hjernehinnebetennelse. Den ble også brukt til anbefaling av antibiotika og diagnostisering av blodproppsykdommer.PXDES:Det er et ekspertsystem som brukes til å bestemme type og nivå av lungekreft. For å bestemme sykdommen tar den et bilde fra overkroppen, som ser ut som skyggen. Denne skyggen identifiserer typen og graden av skade.Kadett:CaDet-ekspertsystemet er et diagnostisk støttesystem som kan oppdage kreft i tidlige stadier.

Kjennetegn på Expert System

hvordan generere tilfeldige tall i java

Høy ytelse:Ekspertsystemet gir høy ytelse for å løse alle typer komplekse problemer for et spesifikt domene med høy effektivitet og nøyaktighet.Forståelig:Den reagerer på en måte som lett kan forstås av brukeren. Den kan ta innspill på menneskelig språk og gir utdata på samme måte.Pålitelig:Det er mye pålitelig for å generere en effektiv og nøyaktig utgang.Svært responsiv:ES gir resultatet for ethvert komplekst søk i løpet av svært kort tid.

Komponenter i ekspertsystemet

Et ekspertsystem består hovedsakelig av tre komponenter:

Brukergrensesnitt Inferensmotor Kunnskapsbase

1. Brukergrensesnitt

Ved hjelp av et brukergrensesnitt samhandler ekspertsystemet med brukeren, tar spørringer som input i et lesbart format og sender det videre til inferensmotoren. Etter å ha fått svaret fra inferensmotoren, viser den utdataene til brukeren. Med andre ord, det er et grensesnitt som hjelper en ikke-ekspert bruker å kommunisere med ekspertsystemet for å finne en løsning .

2. Inferensmotor (motorregler)

• Inferensmotoren er kjent som hjernen til ekspertsystemet, da den er hovedbehandlingsenheten i systemet. Den bruker slutningsregler på kunnskapsbasen for å utlede en konklusjon eller utlede ny informasjon. Det hjelper med å utlede en feilfri løsning av spørringer spurt av brukeren.
• Ved hjelp av en inferensmotor trekker systemet ut kunnskapen fra kunnskapsbasen.
• Det finnes to typer inferensmotorer:
Deterministisk inferensmotor:Konklusjonene trukket fra denne typen slutningsmotorer antas å være sanne. Den er basert på fakta og regler .Probabilistisk inferensmotor:Denne typen inferensmotorer inneholder usikkerhet i konklusjoner, og basert på sannsynligheten.

Inferensmotoren bruker modusene nedenfor for å utlede løsningene:

Foroverlening:Den starter fra kjente fakta og regler, og bruker slutningsreglene for å legge konklusjonen deres til de kjente fakta.Kobling bakover:Det er en baklengs resonneringsmetode som starter fra målet og jobber bakover for å bevise de kjente fakta.

3. Kunnskapsbase

• Kunnskapsbasen er en type lagring som lagrer kunnskap tilegnet fra de forskjellige ekspertene på det aktuelle domenet. Det regnes som en stor lagring av kunnskap. Jo mer kunnskapsbasen er, jo mer presist vil ekspertsystemet være.
• Det ligner på en database som inneholder informasjon og regler for et bestemt domene eller emne.
• Man kan også se kunnskapsbasen som samlinger av objekter og deres attributter. Slik som en løve er en gjenstand og dens attributter er at den er et pattedyr, den er ikke et husdyr osv.

Komponenter i kunnskapsbasen

Faktakunnskap:Kunnskapen som er basert på fakta og akseptert av kunnskapsingeniører kommer inn under faktakunnskap.Heuristisk kunnskap:Denne kunnskapen er basert på praksis, evnen til å gjette, evaluering og erfaringer.

Kunnskapsrepresentasjon: Den brukes til å formalisere kunnskapen som er lagret i kunnskapsbasen ved å bruke If-else-reglene.

Kunnskapsinnhenting: Det er prosessen med å trekke ut, organisere og strukturere domenekunnskapen, spesifisere reglene for å tilegne seg kunnskapen fra ulike eksperter, og lagre den kunnskapen i kunnskapsbasen.

Utvikling av ekspertsystem

Her vil vi forklare hvordan et ekspertsystem fungerer ved å ta et eksempel på MYCIN ES. Nedenfor er noen trinn for å bygge en MYCIN:

• For det første bør ES fôres med ekspertkunnskap. Når det gjelder MYCIN, gir menneskelige eksperter spesialisert seg på det medisinske feltet av bakteriell infeksjon informasjon om årsakene, symptomene og annen kunnskap på det området.
• KB for MYCIN er oppdatert. For å teste det gir legen et nytt problem til det. Problemet er å identifisere tilstedeværelsen av bakteriene ved å legge inn detaljene til en pasient, inkludert symptomene, nåværende tilstand og medisinsk historie.
• ES vil trenge et spørreskjema som skal fylles ut av pasienten for å vite den generelle informasjonen om pasienten, for eksempel kjønn, alder, etc.
• Nå har systemet samlet inn all informasjon, så det vil finne løsningen på problemet ved å bruke hvis-så-regler ved å bruke inferensmotoren og bruke fakta som er lagret i KB.
• Til slutt vil det gi en respons til pasienten ved å bruke brukergrensesnittet.

Deltakere i utviklingen av Expert System

Det er tre primære deltakere i byggingen av Expert System:

java for pause

Ekspert:Suksessen til en ES avhenger mye av kunnskapen fra menneskelige eksperter. Disse ekspertene er de personene som er spesialiserte på det spesifikke domenet.Kunnskapsingeniør:Kunnskapsingeniør er personen som samler kunnskapen fra domeneekspertene og deretter kodifiserer den kunnskapen til systemet i henhold til formalismen.Slutt bruker:Dette er en bestemt person eller en gruppe mennesker som kanskje ikke er eksperter, og som arbeider med ekspertsystemet trenger løsningen eller rådene for spørsmålene hans, som er komplekse.

Hvorfor Expert System?

Før vi bruker noen teknologi, må vi ha en ide om hvorfor vi skal bruke den teknologien og dermed det samme for ES. Selv om vi har menneskelige eksperter på alle felt, hva er da behovet for å utvikle et databasert system. Så nedenfor er punktene som beskriver behovet til ES:

Ingen minnebegrensninger:Den kan lagre så mye data som kreves og kan lagre den på tidspunktet for søknaden. Men for menneskelige eksperter er det noen begrensninger for å huske alle ting til enhver tid.Høy effektivitet:Hvis kunnskapsbasen er oppdatert med riktig kunnskap, gir den et svært effektivt utdata, noe som kanskje ikke er mulig for et menneske.Kompetanse på et domene:Det er mange menneskelige eksperter på hvert domene, og de har alle forskjellige ferdigheter, forskjellige erfaringer og forskjellige ferdigheter, så det er ikke lett å få et endelig resultat for spørringen. Men hvis vi legger kunnskapen fra menneskelige eksperter inn i ekspertsystemet, gir det et effektivt resultat ved å blande alle fakta og kunnskapIkke påvirket av følelser:Disse systemene påvirkes ikke av menneskelige følelser som tretthet, sinne, depresjon, angst, etc.. Derfor forblir ytelsen konstant.Høy sikkerhet:Disse systemene gir høy sikkerhet for å løse ethvert spørsmål.Vurderer alle fakta:For å svare på ethvert spørsmål, sjekker og vurderer den alle tilgjengelige fakta og gir resultatet deretter. Men det er mulig at en menneskelig ekspert kanskje ikke vurderer noen fakta av en eller annen grunn.Regelmessige oppdateringer forbedrer ytelsen:Hvis det er et problem i resultatet levert av ekspertsystemene, kan vi forbedre ytelsen til systemet ved å oppdatere kunnskapsbasen.

Ekspertsystemets evner

Nedenfor er noen av egenskapene til et ekspertsystem:

Rådgivning:Den er i stand til å gi råd til mennesket for spørringen av et hvilket som helst domene fra det bestemte ES.Gi beslutningsevne:Det gir mulighet til å ta beslutninger i ethvert domene, for eksempel for å ta økonomiske beslutninger, beslutninger innen medisinsk vitenskap, etc.Demonstrere en enhet:Den er i stand til å demonstrere nye produkter som funksjoner, spesifikasjoner, hvordan du bruker det produktet, etc.Problemløsning:Den har problemløsningsevner.Forklaring av et problem:Den er også i stand til å gi en detaljert beskrivelse av et inputproblem.Tolke innspillet:Den er i stand til å tolke input fra brukeren.Forutsi resultater:Den kan brukes til å forutsi et resultat.Diagnose:En ES designet for det medisinske feltet er i stand til å diagnostisere en sykdom uten å bruke flere komponenter, da den allerede inneholder ulike innebygde medisinske verktøy.

Fordeler med Expert System

• Disse systemene er svært reproduserbare.
• De kan brukes til risikofylte steder hvor menneskelig tilstedeværelse ikke er trygg.
• Feilmulighetene er mindre hvis KB inneholder riktig kunnskap.
• Ytelsen til disse systemene forblir stabil siden den ikke påvirkes av følelser, spenninger eller tretthet.
• De gir en veldig høy hastighet for å svare på et bestemt spørsmål.

Begrensninger for Expert System

• Responsen fra ekspertsystemet kan bli feil hvis kunnskapsbasen inneholder feil informasjon.
• Som et menneske kan det ikke produsere et kreativt resultat for forskjellige scenarier.
• Vedlikeholds- og utviklingskostnadene er svært høye.
• Kunnskapsinnhenting for design er mye vanskelig.
• For hvert domene krever vi en spesifikk ES, som er en av de store begrensningene.
• Den kan ikke lære av seg selv og krever derfor manuelle oppdateringer.

Anvendelser av Expert System

I design og produksjon domene
Det kan brukes bredt for å designe og produsere fysiske enheter som kameralinser og biler.I kunnskapsdomenet
Disse systemene brukes først og fremst for å publisere relevant kunnskap til brukerne. De to populære ES som brukes for dette domenet er en rådgiver og en skatterådgiver.I finansdomenet
I finansnæringene brukes det til å oppdage enhver form for mulig svindel, mistenkelig aktivitet og gi råd til bankfolk om de skal gi lån til forretninger eller ikke.I diagnostisering og feilsøking av enheter
I medisinsk diagnose brukes ES-systemet, og det var det første området hvor disse systemene ble brukt.Planlegging og planlegging
Ekspertsystemene kan også brukes til å planlegge og planlegge noen spesielle oppgaver for å nå målet med den oppgaven.