Expertensystem

FONT SIZE:
fontsize_dec
fontsize_inc
Januar 10, 2016 Linus Schefer E 0 109

In der künstlichen Intelligenz, ist ein Expertensystem ein Computersystem, das die Entscheidungsfähigkeit eines menschlichen Experten emuliert. Expertensysteme wurden entwickelt, um komplexe Probleme durch Nachdenken über Wissen zu lösen, vertreten in erster Linie als Wenn-Dann-Regeln und nicht durch herkömmliche Verfahrenskodex. Die ersten Expertensysteme wurden in den 1970er Jahren erstellt und dann vermehrt in den 1980er Jahren. Expertensysteme gehörten zu den ersten wirklich erfolgreichen Formen der AI-Software.

Der Inferenzmaschine und der Wissensbasis: Ein Expertensystem ist in zwei Teilsysteme unterteilt. Die Wissensbasis stellt Fakten und Regeln. Die Inferenzmaschine wendet die Vorschriften zu den bekannten Tatsachen, neue Tatsachen abzuleiten. Inferenzmaschinen kann auch Erläuterung und Debugging-Funktionen.

Geschichte

Edward Feigenbaum in einem 1977 Papier sagte, dass die wichtigste Erkenntnis der frühen Expertensysteme war, dass "intelligente Systeme beziehen ihre Kraft aus dem Wissen, das sie nicht von den spezifischen Formalismen und Inferenz Systeme verwenden sie besitzen" Obwohl im Nachhinein scheint dies ein ziemlich einfach Einsicht, war es ein wichtiger Schritt nach vorne zu der Zeit. Bis dahin war Forschungsversuche konzentriert sehr Allzweckproblemlöser, wie sie von Newell und Simon beschrieben zu entwickeln.

Expertensysteme wurden von der Stanford Heuristische Programmierung von Feigenbaum, der manchmal als der "Vater der Expertensysteme" bezeichnet wird geführt eingeführt. Die Stanford-Forscher versuchten, Domänen, in denen Know-how wurde hoch geschätzt und komplex, wie die Diagnose von Infektionskrankheiten und Identifizierung unbekannter organischer Moleküle zu identifizieren.

Neben der Feigenbaum Schlüssel frühen Mitwirkenden waren Edward Shortliffe, Bruce Buchanan, und Randall Davis. Expertensysteme gehörten zu den ersten wirklich erfolgreichen Formen der AI-Software.

Forschung Expertensysteme war auch in Frankreich aktiv. In den USA lag der Schwerpunkt auf regelbasierte Systeme zunächst auf Systemen hart auf der Oberseite des LISP Programmierumgebungen codiert und dann auf Expertensystem-Schalen von Anbietern wie IntelliCorp entwickelt werden. In Frankreich Forschungen konzentrierten sich mehr auf Systeme im Prolog entwickelt. Der Vorteil des Expertensystems Schalen war, dass sie etwas einfacher für Nicht-Programmierer zu bedienen. Der Vorteil der Prolog Umgebungen war, dass sie nicht nur auf konzentriert IF-THEN-Regeln. Prolog-Umgebungen ein viel voller Realisierung eines kompletten First Order Logic Umwelt.

In den 1980er Jahren vermehrt Expertensysteme. Universitäten angeboten Expertensystem Plätze und zwei Drittel der Fortune 1000-Unternehmen eingesetzt, die Technologie in der täglichen Geschäftsaktivitäten. Das Interesse war international mit dem Projekt Fifth Generation Computer Systems in Japan und erhöhte Forschungsförderung in Europa.

Im Jahr 1981 der erste IBM PC eingeführt, mit dem MS-DOS-Betriebssystem. Das Ungleichgewicht zwischen den relativ leistungsfähigere Chips in der sehr erschwinglichen PC im Vergleich zu den viel teureren Preis von Rechenleistung in den Großrechner, die die IT-Welt zu der Zeit beherrscht schuf eine ganz neue Art von Architektur für Corporate Computing als Client-Server bekannt Modell. Berechnungen und Überlegungen könnte zu einem Bruchteil des Preises einer Mainframe unter Verwendung eines PC durchgeführt werden. Dieses Modell auch Geschäftseinheiten aktiviert werden, damit IT-Abteilungen umgehen und direkt zu bauen ihre eigenen Anwendungen. Als Ergebnis Client-Server hatte einen enormen Einfluss auf die Expertensysteme Markt. Expertensysteme waren schon Ausreißer in weiten Teilen der Wirtschaft, neue Fähigkeiten, die viele IT-Abteilungen nicht haben und waren nicht begierig zu entwickeln, erfordert. Sie waren eine natürliche Ergänzung für neue PC-basierte Shells, die die Anwendungsentwicklung in die Hände der Anwender und Experten setzen versprochen. Bis zu diesem Zeitpunkt die primäre Entwicklungsumgebung für Expertensysteme war High-End-Lisp-Maschinen von Xerox, Symbolik und Texas Instruments. Mit dem Aufstieg der PC und Client-Server-Computing-Anbieter wie IntelliCorp und Inference Corporation, verschoben ihre Prioritäten für die Entwicklung PC-basierte Tools. Neben neuen Anbietern oft durch Venture Capital finanziert begann regelmäßig erscheine. Diese neuen Anbieter enthalten Aion Corporation, Neuron Daten, Exsys, und viele andere.

In den 1990er Jahren und darüber hinaus den Begriff "Expertensystem" und die Idee eines eigenständigen KI-System vor allem aus der IT-Lexikon gesunken. Es gibt zwei Interpretationen dieses. Einer ist, dass "Expertensysteme ist fehlgeschlagen": die IT-Welt ging weiter, weil Expertensysteme nicht auf ihre überbewertet Versprechen. Der andere ist der Spiegel gegenüber, dass Expertensysteme waren einfach Opfer ihres Erfolgs. Als IT-Profis begriffen Konzepte wie Rule Engines solche Tools migriert von Standalone-Werkzeuge für die Entwicklung von Spezial "Experte" Systemen, ein weiteres Tool, das IT-Profi hat zu ihrer Verfügung. Viele der führenden Hauptgeschäftsanwendungssuite-Anbietern wie SAP, Siebel und Oracle integriert Expertensystem-Funktionen in ihre Suite von Produkten als eine Möglichkeit der Angabe von Geschäftslogik. Rule Engines sind nicht mehr nur für die Festlegung der Regeln ein Experte benutzen würde, aber für jede Art von komplexen, flüchtig und kritische Geschäftslogik. Sie Hand in Hand gehen oft mit Geschäftsprozess-Automatisierung und Integration-Umgebungen.

Software-Architektur

Ein Expertensystem ist ein Beispiel für ein wissensbasiertes System. Expertensysteme waren die ersten kommerziellen Systemen, um eine wissensbasierte Architektur verwenden. Der Wissensbasis und der Folgerungsmaschine: Ein wissensbasiertes System besteht im Wesentlichen aus zwei Teilsystemen zusammengesetzt.

Die Wissensbasis darstellt Fakten über die Welt. Anfang Expertensysteme wie Mycin und DENDRAL wurden diese Tatsachen in erster Linie als Flach Behauptungen über Variablen vertreten. In späteren Expertensysteme mit kommerziellen Schalen entwickelt nahm die Wissensbasis auf mehr Struktur und verwendet Konzepte der objektorientierten Programmierung. Die Welt wurde als Klassen, Unterklassen und Instanzen und Behauptungen vertreten wurden durch Werte von Objektinstanzen ersetzt. Die Regeln, nach Abfrage und Geltendmachung Werte der Objekte bearbeitet.

Die Inferenzmaschine ist ein automatisiertes System, das die Begründung aktuellen Stand der Wissensbasis bewertet, gilt einschlägigen Vorschriften, und behauptet dann neues Wissen in die Wissensbasis. Die Inferenzmaschine kann auch Funktionen zur Erläuterung, so dass es für einen Benutzer durch Rückverfolgung über den Schlag von Regeln, die in der Behauptung Folge zurück erläutern die Schlußkette verwendet, um zu einem bestimmten Ergebnis zu gelangen.

Es gibt im Wesentlichen zwei Betriebsarten für eine Inferenzmaschine: Vorwärtsverkettung und Rückwärtsverkettung. Die verschiedenen Ansätze werden dadurch bestimmt, ob die Inferenzmaschine von dem Vorläufer oder der daraus der Regel angetrieben diktiert. In Vorwärtsverkettung ein Vorläufer Brände und behauptet, die daraus. Betrachten Sie beispielsweise die folgende Regel:

Ein einfaches Beispiel für Vorwärtsverkettung wäre, Mann an das System durchsetzen und lösen dann die Folgerungsmaschine. Es wäre R1 Spiel und behaupten Mortal in die Wissensbasis.

Rückwärtsverkettung ist ein bisschen weniger geradlinig. In Rückwärtsverkettung das System schaut auf mögliche Schlussfolgerungen und arbeitet nach hinten, um zu sehen, ob sie wahr sein könnte. Also, wenn wurde das System versucht zu ermitteln, ob Mortal wahr wäre es R1 finden und fragen Sie die Wissensbasis, um zu sehen, ob Mann ist wahr. Einer der frühen Innovationen von Expertensystemen Schalen war es, Inferenzmaschinen mit einer Benutzeroberfläche zu integrieren. Dies könnte vor allem leistungsstark mit Rückwärtsverkettung ist. Wenn das System benötigt, um eine bestimmte Tatsache, wissen aber nicht es kann einfach erzeugen eine Eingabemaske und bitten Sie den Benutzer, wenn die Informationen bekannt. Also in diesem Beispiel wird R1 nutzen könnten, um den Benutzer zu fragen, ob Sokrates war ein Mann, und dann entsprechend zu verwenden, dass neue Informationen.

Die Verwendung von Regeln, um explizit repräsentieren Wissen ebenfalls aktiviert Erklärung Fähigkeiten. In dem einfachen Beispiel vor, wenn das System benutzt hatte, R1 zu behaupten, dass Sokrates sterblich und ein Benutzer wollte verstehen, warum Sokrates sterblich war sie das System und das System würde wieder zu den Regeln zu suchen, die die Behauptung führen abgefeuert abzufragen und zu präsentieren diejenigen, könnte Regeln dem Benutzer als eine Erklärung. In Englisch, wenn der Benutzer gefragt, "Warum ist Sokrates Mortal?" das System würde antworten: "Weil alle Menschen sterblich sind und Sokrates ist ein Mensch". Ein wesentlicher Bereich der Forschung war die Generierung von Erklärungen aus der Wissensbasis in der natürlichen englischen und nicht nur, indem sie die formelle, aber weniger intuitiv Regeln.

Als Expertensysteme entwickelt viele neue Techniken wurden in verschiedenen Arten von Inferenzmaschinen eingebaut. Einige der wichtigsten von diesen waren:

  • Truth Wartung. Truth Wartungssysteme erfassen die Abhängigkeiten in einer Wissensbasis, so dass, wenn Tatsachen verändert werden abhängig Wissen kann entsprechend geändert werden. Zum Beispiel, wenn das System erfährt, dass Sokrates nicht mehr bekannt, ein Mann wird es die Behauptung, dass Sokrates sterblich zu widerrufen.
  • Hypothetische Argumentation. In hypothetische Argumentation kann die Wissensbasis in viele mögliche Ansichten geteilt werden, aka Welten. Dies ermöglicht die Inferenzmaschine, mehrere Möglichkeiten, die parallel zu erkunden. In diesem einfachen Beispiel kann das System soll die Folgen der beiden Behauptungen, was wahr ist, wenn Sokrates ist ein Mensch und was wahr ist, wenn er nicht zu erkunden?
  • Fuzzy Logic. Eine der ersten Erweiterungen einfach unter Verwendung von Regeln, um Wissen zu vertreten war auch, eine Wahrscheinlichkeit, mit jeder Regel verknüpfen. Also, nicht zu behaupten, dass Sokrates sterblich, aber Sokrates geltend machen kann sterblichen mit einiger Wahrscheinlichkeit Wert sein. Einfache Wahrscheinlichkeiten wurden in einigen Systemen mit ausgefeilten Mechanismen für ungewisse Argumentation und Kombination von Wahrscheinlichkeiten erweitert.
  • Ontology Klassifizierung. Mit dem Zusatz von Objektklassen, um die Wissensbasis eine neue Art des Denkens möglich war. Anstatt Grund einfach über die Werte der Objekte könnte das System auch über die Struktur der Objekte der Vernunft als gut. In diesem einfachen Beispiel kann Mann eine Objektklasse vertreten und R1 kann in der Regel, die die Klasse aller Menschen definiert, neu definiert werden. Diese Arten von Special Purpose Inferenzmaschinen als Klassifizierer bekannt. Obwohl sie nicht sehr in Expertensystemen verwendet Klassifizierer sind sehr leistungsfähig für unstrukturierte flüchtigen Domains und sind eine Schlüsseltechnologie für das Internet und die Schwellen Semantic Web.

Vorteile

Das Ziel der wissensbasierten Systemen ist es, die kritische Informationen für das System benötigt explizite anstatt implizit an die Arbeit zu machen. In einer traditionellen Computerprogramm die Logik im Code, der in der Regel nur von einem IT-Spezialisten überprüft werden können eingebettet. Mit einem Expertensystem war das Ziel, die Regeln in einem Format, das intuitive und leicht zu verstehen war, überprüft, und sogar von Fachexperten, anstatt IT-Experten bearbeitet angeben. Die Vorteile dieser expliziten Wissensdarstellung waren schnelle Entwicklung und Wartungsfreundlichkeit.

Wartungsfreundlichkeit ist die offensichtlichste Vorteil. Dies wurde auf zwei Wegen erreicht. Erstens, indem die Notwendigkeit zum Schreiben herkömmlichen Code viele der üblichen Probleme, die durch geringe Änderungen an einem System verursacht werden könnten mit Expertensystemen vermieden werden. Im Wesentlichen war die logische Ablauf des Programms einfach eine für das System gegeben, einfach den Befehl der die Inferenzmaschine. Dies war auch ein Grund für den zweiten Vorteil: Rapid Prototyping. Mit einem Expertensystem-Shell war es möglich, ein paar Regeln geben und haben einen Prototypen in Tagen statt in den nächsten Monaten oder Jahren in der Regel mit komplexen IT-Projekten assoziiert entwickelt.

Ein Anspruch auf Expertensystem-Schalen, die oft gestellt wurde, war, dass sie entfernt den Bedarf an ausgebildeten Programmierern und dass Experten Systeme selbst entwickeln könnte. In Wirklichkeit war dies selten oder nie wahr. Während die Regeln für ein Expertensystem waren verständlicher als typische Computer-Code, den sie hatten immer noch eine formale Syntax, wo ein verlegtes Komma oder ein anderes Zeichen könnten verheerend wie bei jedem anderen Computersprache führen. Darüber hinaus, wie Expertensysteme vom Prototypen bis zur Bereitstellung zog im Labor in der Wirtschaft Fragen der Integration und Wartung wurde weitaus kritischer. Zwangsläufig verlangt, um mit zu integrieren und profitieren Sie von großen Legacy-Datenbanken und Systeme entstanden. Um diese Integration zu erreichen benötigt die gleichen Fähigkeiten wie jede andere Art von System.

Nachteile

Die häufigste Nachteil für die Expertensysteme in der wissenschaftlichen Literatur zitiert ist der Wissenserwerb Problem. Erhalten der Zeit des Domain-Experten für jede Software-Anwendung ist immer schwierig, aber für Expertensysteme war es besonders schwierig, weil die Experten waren per Definition hoch geschätzt und in ständiger Bedarf von der Organisation. Als Folge dieses Problems sehr viel Forschungsaufwand in den späteren Jahren von Expertensystemen auf Werkzeuge für Wissenserwerb konzentriert, um zu helfen zu automatisieren den Prozess der Gestaltung, Debugging und Wartung Regeln von Experten festgelegt. , Bei der Betrachtung des gesamten Lebenszyklus von Expertensystemen in der Praxis andere Probleme scheinen jedoch mindestens so kritisch wie Wissenserwerb. Diese Probleme mit Expertensystemen waren im wesentlichen die gleichen Probleme wie jedes andere große System: Integration, Zugang zu umfangreichen Datenbanken und Performance.

Leistung war besonders problematisch für die frühe Expertensysteme, wie sie mit Werkzeugen, die nicht, wie Lisp interpretiert funktions kompilierten Code gebaut wurden. Dolmetscher eine äußerst leistungsfähige Entwicklungsumgebung, aber mit einer kostengünstigen, dass es praktisch unmöglich ist, die Wirkungsgrade der schnellsten kompilierten Sprachen der Zeit, wie C. System und Datenbank-Integration waren schwierig für frühe Expertensysteme zu erhalten aufgrund der Tatsache, dass die Werkzeuge waren meist in Sprachen und Plattformen, die nicht vertraut waren, noch in den meisten Unternehmens IT-Umgebungen begrüßt. Programmiersprachen wie Lisp und Prolog und Hardware-Plattformen wie beispielsweise Lisp Maschinen und PCs. Als Ergebnis wird eine große Anstrengungen in den späteren Stadien der Expertensystem-Tool-Entwicklung wurden auf die Integration mit Legacy-Umgebungen wie COBOL, Integration mit großen Datenbanksystemen fokussiert und die Portierung auf weitere Standardplattformen. Diese Fragen wurden in erster Linie von der Client-Server-Paradigmenwechsel gelöst, wie PCs wurden nach und nach in der IT-Welt als legitime Plattform für ernsthafte Geschäftssystementwicklung akzeptiert und so erschwinglich Minicomputer-Server zur Verfügung gestellt die Verarbeitungsleistung für die KI-Anwendungen benötigt werden.

Anwendungen

Hayes-Roth teilt Expertensysteme Anwendungen in 10 in der folgenden Tabelle dargestellt Kategorien. Beachten Sie, dass die Beispiel-Anwendungen waren nicht in der ursprünglichen Hayes-Roth Tisch und einige der Beispiel-Anwendungen später kam ziemlich viel. Jede Anwendung, die nicht bemerkt Fuß ist in der Hayes-Roth Buch beschrieben. Auch, während diese Kategorien bieten eine intuitive Rahmen für den Raum der Expertensysteme Anwendungen zu beschreiben, sie sind nicht starre Kategorien und in einigen Fällen kann eine Anwendung Merkmale der mehr als eine Kategorie zu zeigen.

Hörensagen war ein früher Versuch zur Lösung der Spracherkennung durch eine Expertensystemansatz. Für den größten Teil dieser Kategorie oder Expertensysteme war nicht so erfolgreich. Hörensagen und alle Interpretationssysteme sind im Wesentlichen Mustererkennungssysteme auf der Suche nach Mustern in verrauschten Daten. Im Fall der Erkennung Hearsay Phoneme in einen Audiostrom. Andere frühe Beispiele wurden Sonardaten zu analysieren, um russischen U-Booten zu erkennen. Diese Arten von Systemen erwies sich als viel zugänglicher für ein neuronales Netz AI-Lösung als ein regelbasierten Ansatz.

CADUCEUS und MYCIN waren medizinische Diagnose-Systeme. Der Benutzer beschreibt ihre Symptome an den Computer an, wenn sie einen Arzt, um würde und der Computer liefert eine medizinische Diagnose.

DENDRAL ein Werkzeug zur Hypothesenbildung bei der Identifizierung von organischen Molekülen zu untersuchen. Das allgemeine Problem ist gelöst, die Gestaltung einer Lösung bei einer Reihe von Einschränkungen war einer der erfolgreichsten Bereiche für frühen Expertensysteme, um Geschäftsbereiche angewandt, wie beispielsweise Vertriebsmitarbeiter Konfiguration Dezember Vax Computern und Hypothekendarlehen Anwendungsentwicklung.

SMH.PAL ist ein Expertensystem für die Beurteilung der Schüler mit mehrfachen Behinderungen.

Mistral ist ein Expertensystem für die Überwachung der Dammsicherheit in den 90er Jahren durch ISMES entwickelt. Es erhält Daten von einer automatischen Überwachungssystems und führt eine Diagnose des Zustands der den Damm. Seine erste Kopie, die 1992 auf der Ridracoli Dam installiert ist, ist immer noch in Betrieb 24/7/365. Es hat sich auf mehreren Talsperren in Italien und im Ausland, sowie Erdrutsche unter dem Namen Eydenet und auf Denkmälern unter dem Namen Kaleidos installiert. Mistral ist ein eingetragenes Warenzeichen der CESI.

  0   0
Vorherige Artikel Anne Schlösser
Nächster Artikel Bill Putnam

In Verbindung Stehende Artikel

Kommentare - 0

Keine Kommentare

Fügen Sie einen Kommentar

smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile smile smile smile smile
smile smile smile smile
Zeichen übrig: 3000
captcha