EXPERTSYSTEM INOM ARTIFICIELL INTELLIGENS

Ett expertsystem är ett datorprogram som är designat för att lösa komplexa problem och ge beslutsförmåga som en mänsklig expert. Den utför detta genom att extrahera kunskap från sin kunskapsbas med hjälp av resonemang och slutledningsregler enligt användarens frågor.

Expertsystemet är en del av AI, och den första ES utvecklades år 1970, vilket var det första framgångsrika tillvägagångssättet för artificiell intelligens. Den löser det mest komplexa problemet som expert genom att extrahera den kunskap som finns lagrad i dess kunskapsbas. Systemet hjälper till vid beslutsfattande för komsexproblem att använda både fakta och heuristik som en mänsklig expert . Det kallas så eftersom det innehåller expertkunskaper om en specifik domän och kan lösa alla komplexa problem för just den domänen. Dessa system är designade för en specifik domän, som t.ex medicin, vetenskap, etc.

bash läsa filen

Ett expertsystems prestanda baseras på expertens kunskap lagrad i dess kunskapsbas. Ju mer kunskap som lagras i KB, desto mer förbättrar systemet dess prestanda. Ett av de vanligaste exemplen på en ES är ett förslag på stavfel när du skriver i Googles sökruta.

Nedan är blockschemat som representerar hur ett expertsystem fungerar:

Notera: Det är viktigt att komma ihåg att ett expertsystem inte används för att ersätta de mänskliga experterna; istället används den för att hjälpa människan att fatta ett komplext beslut. Dessa system har inte mänsklig förmåga att tänka och arbeta utifrån kunskapsbasen för den specifika domänen.

Nedan är några populära exempel på expertsystemet:

DENDRAL:Det var ett artificiell intelligensprojekt som gjordes som ett expertsystem för kemisk analys. Det användes inom organisk kemi för att upptäcka okända organiska molekyler med hjälp av deras masspektra och kunskapsbas om kemi.MYCIN:Det var ett av de tidigaste expertsystemen för baklängeskedja som utformades för att hitta de bakterier som orsakar infektioner som bakteriemi och hjärnhinneinflammation. Det användes också för rekommendation av antibiotika och diagnos av blodproppssjukdomar.PXDES:Det är ett expertsystem som används för att bestämma typen och nivån av lungcancer. För att fastställa sjukdomen tar den en bild från överkroppen, som ser ut som skuggan. Denna skugga identifierar typen och graden av skada.Kadett:Expertsystemet CaDet är ett diagnostiskt stödsystem som kan upptäcka cancer i tidiga skeden.

Egenskaper för Expert System

Hög prestanda:Expertsystemet ger hög prestanda för att lösa alla typer av komplexa problem inom en specifik domän med hög effektivitet och noggrannhet.Begriplig:Den svarar på ett sätt som lätt kan förstås av användaren. Den kan ta input på mänskligt språk och ger utdata på samma sätt.Pålitlig:Det är mycket tillförlitligt för att generera en effektiv och exakt utdata.Mycket lyhörd:ES ger resultatet för alla komplexa frågor inom en mycket kort tidsperiod.

Komponenter i expertsystemet

Ett expertsystem består huvudsakligen av tre komponenter:

variabelt globalt javascript

Användargränssnitt Inferensmotor Kunskapsbas Expertsystem inom AI

1. Användargränssnitt

Med hjälp av ett användargränssnitt interagerar expertsystemet med användaren, tar frågor som indata i ett läsbart format och skickar det vidare till inferensmotorn. Efter att ha fått svaret från inferensmotorn visar den utdata för användaren. Med andra ord, det är ett gränssnitt som hjälper en icke-expert användare att kommunicera med expertsystemet för att hitta en lösning .

2. Inferensmotor (motorregler)

Slutledningsmotorn är känd som hjärnan i expertsystemet eftersom den är systemets huvudenhet. Den tillämpar slutledningsregler på kunskapsbasen för att dra en slutsats eller härleda ny information. Det hjälper till att härleda en felfri lösning av frågor som ställs av användaren.
Med hjälp av en inferensmotor extraherar systemet kunskapen från kunskapsbasen.
Det finns två typer av inferensmotorer:

fakta

regler

Inferensmotorn använder nedanstående lägen för att härleda lösningarna:

Forward Chaining:Den utgår från kända fakta och regler och tillämpar slutledningsreglerna för att lägga till deras slutsatser till de kända fakta.Bakåtkedja:Det är en bakåtresonemangsmetod som utgår från målet och arbetar bakåt för att bevisa de kända fakta.

3. Kunskapsbas

Kunskapsbasen är en typ av lagring som lagrar kunskap som förvärvats från olika experter på den specifika domänen. Det anses vara en stor lagring av kunskap. Ju mer kunskapsbasen är, desto mer exakt blir Expertsystemet.
Det liknar en databas som innehåller information och regler för en viss domän eller ämne.
Man kan också se kunskapsbasen som samlingar av objekt och deras attribut. Som att ett lejon är ett föremål och dess egenskaper är att det är ett däggdjur, det är inte ett husdjur, etc.

Komponenter i kunskapsbasen

Faktakunskaper:Den kunskap som är baserad på fakta och accepterad av kunskapsingenjörer faller under faktakunskap.Heuristisk kunskap:Denna kunskap bygger på praktik, förmåga att gissa, utvärdering och erfarenheter.

Kunskapsrepresentation: Den används för att formalisera kunskapen som lagras i kunskapsbasen med hjälp av If-else-reglerna.

shreya ghoshal

Kunskapsförvärv: Det är processen att extrahera, organisera och strukturera domänkunskapen, specificera reglerna för att inhämta kunskapen från olika experter och lagra den kunskapen i kunskapsbasen.

Utveckling av Expertsystem

Här kommer vi att förklara hur ett expertsystem fungerar genom att ta ett exempel på MYCIN ES. Nedan följer några steg för att bygga ett MYCIN:

För det första bör ES matas med expertkunskap. När det gäller MYCIN ger mänskliga experter specialiserade på det medicinska området för bakterieinfektioner information om orsaker, symtom och annan kunskap inom det området.
KB för MYCIN har uppdaterats framgångsrikt. För att testa det ger läkaren ett nytt problem till det. Problemet är att identifiera förekomsten av bakterierna genom att mata in detaljerna om en patient, inklusive symtom, nuvarande tillstånd och medicinsk historia.
ES kommer att behöva ett frågeformulär som patienten ska fylla i för att känna till den allmänna informationen om patienten, såsom kön, ålder etc.
Nu har systemet samlat in all information, så det kommer att hitta lösningen på problemet genom att tillämpa om-då-regler med hjälp av inferensmotorn och använda fakta som lagras i KB.
I slutändan kommer det att ge ett svar till patienten genom att använda användargränssnittet.

Deltagare i utvecklingen av Expert System

Det finns tre primära deltagare i byggandet av Expert System:

Expert:Framgången för en ES beror mycket på kunskapen från mänskliga experter. Dessa experter är de personer som är specialiserade på den specifika domänen.Kunskapsingenjör:Kunskapsingenjör är den person som samlar in kunskapen från domänexperterna och sedan kodifierar den kunskapen till systemet enligt formalismen.Slutanvändare:Det här är en viss person eller en grupp människor som kanske inte är experter och som arbetar med expertsystemet behöver lösningen eller råden för sina frågor, som är komplexa.

Varför expertsystem?

Innan vi använder någon teknik måste vi ha en idé om varför vi ska använda den tekniken och därmed samma sak för ES. Även om vi har mänskliga experter inom alla områden, vad är då behovet av att utveckla ett datorbaserat system. Så nedan är punkterna som beskriver behovet av ES:

välj från flera tabeller i sql

Inga minnesbegränsningar:Den kan lagra så mycket data som krävs och kan memorera den när den appliceras. Men för mänskliga experter finns det vissa begränsningar för att memorera alla saker varje gång.Hög effektivitet:Om kunskapsbasen uppdateras med rätt kunskap, ger den en mycket effektiv produktion, vilket kanske inte är möjligt för en människa.Expertis inom en domän:Det finns massor av mänskliga experter inom varje domän, och de har alla olika färdigheter, olika erfarenheter och olika färdigheter, så det är inte lätt att få ett slutgiltigt resultat för frågan. Men om vi lägger in kunskapen från mänskliga experter i expertsystemet, så ger det en effektiv produktion genom att blanda alla fakta och kunskapInte påverkad av känslor:Dessa system påverkas inte av mänskliga känslor som trötthet, ilska, depression, ångest, etc.. Därför förblir prestandan konstant.Hög säkerhet:Dessa system ger hög säkerhet för att lösa alla frågor.Tänker på alla fakta:För att svara på alla frågor kontrollerar och beaktar den alla tillgängliga fakta och ger resultatet därefter. Men det är möjligt att en mänsklig expert kanske inte överväger vissa fakta av någon anledning.Regelbundna uppdateringar förbättrar prestandan:Om det finns ett problem i resultatet från expertsystemen kan vi förbättra systemets prestanda genom att uppdatera kunskapsbasen.

Expertsystemets förmåga

Nedan är några funktioner hos ett expertsystem:

Rådgivning:Det är kapabelt att ge råd till människan för frågan om vilken domän som helst från den specifika ES.Tillhandahålla beslutsfattande förmåga:Det ger möjlighet till beslutsfattande inom vilken domän som helst, till exempel för att fatta alla ekonomiska beslut, beslut inom medicinsk vetenskap, etc.Demonstrera en enhet:Den kan visa alla nya produkter som dess funktioner, specifikationer, hur man använder den produkten, etc.Problemlösning:Den har problemlösningsförmåga.Förklara ett problem:Den kan också ge en detaljerad beskrivning av ett inmatningsproblem.Tolka inmatningen:Det är kapabelt att tolka input från användaren.Förutsäga resultat:Den kan användas för att förutsäga ett resultat.Diagnos:En ES designad för det medicinska området kan diagnostisera en sjukdom utan att använda flera komponenter eftersom den redan innehåller olika inbyggda medicinska verktyg.

Fördelar med Expert System

Dessa system är mycket reproducerbara.
De kan användas för riskfyllda platser där den mänskliga närvaron inte är säker.
Felmöjligheterna är mindre om KB innehåller korrekt kunskap.
Prestandan hos dessa system förblir stabil eftersom den inte påverkas av känslor, spänningar eller trötthet.
De ger en mycket hög hastighet att svara på en viss fråga.

Expertsystems begränsningar

Expertsystemets svar kan bli fel om kunskapsbasen innehåller fel information.
Liksom en människa kan den inte producera en kreativ produktion för olika scenarier.
Dess underhålls- och utvecklingskostnader är mycket höga.
Kunskapsinhämtning för design är mycket svårt.
För varje domän kräver vi ett specifikt ES, vilket är en av de stora begränsningarna.
Den kan inte lära av sig själv och kräver därför manuella uppdateringar.

TechCodeview

Vad är ett expertsystem?