Sistem expert - Expert system

O mașină Symbolics Lisp: o platformă timpurie pentru sisteme expert.

În inteligența artificială , un sistem expert este un sistem computerizat care emulează capacitatea decizională a unui expert uman. Sistemele expert sunt concepute pentru a rezolva probleme complexe prin raționament prin corpuri de cunoștințe, reprezentate în principal ca și cum ar fi apoi reguli decât prin cod procedural convențional . Primele sisteme expert au fost create în anii 1970 și apoi au proliferat în anii 1980. Sistemele expert au fost printre primele forme cu adevărat reușite de software de inteligență artificială (AI). Un sistem expert este împărțit în două subsisteme: motorul de inferență și baza de cunoștințe . Baza de cunoștințe reprezintă fapte și reguli. Motorul de inferență aplică regulile faptelor cunoscute pentru a deduce noi fapte. Motoarele de inferență pot include, de asemenea, abilități de explicare și depanare.

Istorie

Dezvoltare timpurie

La scurt timp după apariția computerelor moderne de la sfârșitul anilor 1940 - începutul anilor 1950, cercetătorii au început să-și dea seama de potențialul imens pe care îl aveau aceste mașini pentru societatea modernă. Una dintre primele provocări a fost aceea de a face o astfel de mașină capabilă să „gândească” ca oamenii. În special, realizarea acestor mașini capabile să ia decizii importante așa cum fac oamenii. Domeniul medical / medical a prezentat provocarea tentantă de a permite acestor mașini să ia decizii de diagnostic medical.

Astfel, la sfârșitul anilor 1950, imediat după ce era informațională a sosit pe deplin, cercetătorii au început să experimenteze perspectiva utilizării tehnologiei computerizate pentru a imita procesul decizional uman. De exemplu, cercetătorii biomedici au început să creeze sisteme asistate de computer pentru aplicații de diagnostic în medicină și biologie. Aceste sisteme de diagnostic precoce au folosit simptomele pacienților și rezultatele testelor de laborator ca elemente de intrare pentru a genera un rezultat diagnostic. Aceste sisteme au fost adesea descrise ca primele forme ale sistemelor expert. Cu toate acestea, cercetătorii și-au dat seama că există limitări semnificative atunci când se utilizează metode tradiționale, cum ar fi diagramele de flux, potrivirea modelelor statistice sau teoria probabilităților.

Introducere formală și dezvoltări ulterioare

Această situație anterioară a dus treptat la dezvoltarea unor sisteme de experți, care au folosit abordări bazate pe cunoștințe. Aceste sisteme expert în medicină au fost sistemul expert MYCIN , sistemul expert INTERNIST-I și mai târziu, la mijlocul anilor 1980, CADUCEUS .

Sistemele expert au fost introduse formal în jurul anului 1965 de către Stanford Heuristic Programming Project condus de Edward Feigenbaum , care este uneori numit „tatăl sistemelor expert”; alți colaboratori cheie timpurii au fost Bruce Buchanan și Randall Davis. Cercetătorii de la Stanford au încercat să identifice domeniile în care expertiza a fost foarte apreciată și complexă, cum ar fi diagnosticarea bolilor infecțioase ( Mycin ) și identificarea moleculelor organice necunoscute ( Dendral ). Ideea că „sistemele inteligente își obțin puterea din cunoștințele pe care le posedă, mai degrabă decât din formalismele specifice și schemele de inferență pe care le folosesc” - așa cum a spus Feigenbaum - a fost la acea vreme un pas semnificativ înainte, întrucât cercetările din trecut s-au concentrat pe calcule euristice. metode, culminând cu încercări de a dezvolta rezolvatori de probleme cu scop general (în primul rând lucrarea conjunctă a lui Allen Newell și Herbert Simon ). Sistemele expert au devenit unele dintre primele forme cu adevărat reușite de software de inteligență artificială (AI).

Cercetările privind sistemele expert au fost active și în Franța. În timp ce în SUA accentul a avut tendința de a fi pus pe sisteme bazate pe reguli, mai întâi pe sisteme codate pe partea superioară a mediilor de programare LISP și apoi pe shell-uri de sistem expert dezvoltate de furnizori precum Intellicorp , în Franța cercetările s-au concentrat mai mult pe sistemele dezvoltate în Prolog . Avantajul shell-urilor de sistem expert a fost că acestea au fost oarecum mai ușor de utilizat pentru neprogramatori. Avantajul mediilor Prolog a fost că acestea nu au fost concentrate doar pe reguli dacă-atunci ; Mediile Prolog au oferit o realizare mult mai bună a unui mediu logic complet de primă ordine .

În anii 1980, sistemele expert au proliferat. Universitățile au oferit cursuri de sistem expert și două treimi din companiile Fortune 500 au aplicat tehnologia în activitățile zilnice de afaceri. Interesul a fost internațional cu proiectul de sisteme de calculatoare a cincea generație din Japonia și finanțarea sporită pentru cercetare în Europa.

În 1981, a fost introdus primul PC IBM , cu sistemul de operare PC DOS . Dezechilibrul dintre accesibilitatea ridicată a cipurilor relativ puternice din PC, în comparație cu costul mult mai scump al puterii de procesare în mainframe-urile care dominau lumea IT corporativă la acea vreme, a creat un nou tip de arhitectură pentru computerul corporativ, denumit model client-server . Calculele și raționamentul ar putea fi efectuate la o fracțiune din prețul unui mainframe folosind un computer. Acest model a permis, de asemenea, unităților de afaceri să ocolească departamentele IT corporative și să își construiască direct propriile aplicații. Ca urmare, serverul client a avut un impact extraordinar pe piața sistemelor expert. Sistemele de experți erau deja aberante în mare parte din lumea afacerilor, necesitând noi abilități pe care multe departamente IT nu le aveau și nu erau dornice să le dezvolte. Acestea erau potrivite în mod natural pentru noile shell-uri bazate pe PC, care promiteau să pună dezvoltarea aplicațiilor în mâinile utilizatorilor finali și a experților. Până atunci, principalul mediu de dezvoltare pentru sisteme expert a fost mașinile Lisp de ultimă generație de la Xerox , Symbolics și Texas Instruments . Odată cu creșterea computerului și a serverului client, furnizorii precum Intellicorp și Inference Corporation și-au mutat prioritățile în dezvoltarea instrumentelor bazate pe PC. De asemenea, au început să apară în mod regulat noi furnizori, adesea finanțați din capitalul de risc (cum ar fi Aion Corporation, Neuron Data , Exsys și mulți alții).

Primul sistem expert care a fost utilizat într-o capacitate de proiectare pentru un produs pe scară largă a fost programul software SID (Synthesis of Integral Design), dezvoltat în 1982. Scris în LISP , SID a generat 93% din porțile logice ale procesorului VAX 9000 . Introducerea în software a fost un set de reguli create de mai mulți designeri logici experți. SID a extins regulile și a generat rutine de sinteză logică software de multe ori dimensiunea regulilor în sine. În mod surprinzător, combinația acestor reguli a dus la un design general care a depășit capacitățile experților înșiși și, în multe cazuri, a depășit omologii umani. În timp ce unele reguli le-au contrazis pe altele, parametrii de control de nivel superior pentru viteză și suprafață au asigurat egalitatea. Programul a fost extrem de controversat, dar a fost utilizat totuși din cauza constrângerilor bugetare ale proiectului. Acesta a fost încheiat de proiectanții logici după finalizarea proiectului VAX 9000.

În anii anteriori mijlocului anilor 1970, așteptările cu privire la ceea ce pot realiza sistemele expert în multe domenii au fost extrem de optimiste. La începutul acestor studii timpurii, cercetătorii sperau să dezvolte sisteme expert complet automatizate (adică complet computerizate). Așteptările oamenilor cu privire la ceea ce pot face computerele erau deseori prea idealiste. Această situație s-a schimbat radical după ce Richard M. Karp și-a publicat lucrarea revoluționară: „Reducibilitatea printre problemele combinatorii” la începutul anilor 1970. Datorită muncii lui Karp, a devenit clar că există anumite limitări și posibilități atunci când se proiectează algoritmi de computer. Descoperirile sale descriu ce pot face computerele și ce nu pot face. Multe dintre problemele de calcul legate de acest tip de sisteme expert au anumite limitări pragmatice. Aceste descoperiri au stabilit bazele care au condus la următoarele evoluții în domeniu.

În anii 1990 și nu numai, termenul de sistem expert și ideea unui sistem AI independent a scăzut în mare parte din lexiconul IT. Există două interpretări ale acestui lucru. Una este că „sistemele expert au eșuat”: lumea IT a continuat deoarece sistemele expert nu și-au îndeplinit promisiunile excesive. Cealaltă este oglinda opusă, conform căreia sistemele expert au fost pur și simplu victime ale succesului lor: pe măsură ce profesioniștii din IT au înțeles concepte precum motoarele de regulă, astfel de instrumente au migrat de la a fi instrumente independente pentru dezvoltarea unor sisteme expert cu scop special , la a fi unul dintre multele instrumente standard. Mulți dintre principalii furnizori de suite de aplicații de afaceri (cum ar fi SAP , Siebel și Oracle ) au integrat abilitățile sistemului expert în suita lor de produse ca modalitate de a specifica logica de afaceri - motoarele de reguli nu mai sunt doar pentru definirea regulilor pe care le-ar folosi un expert dar pentru orice tip de logică de afaceri complexă, volatilă și critică; ele merg adesea mână în mână cu automatizarea proceselor de afaceri și mediile de integrare.

Abordări actuale ale sistemelor expert

Limitările tipului anterior de sisteme expert i-au îndemnat pe cercetători să dezvolte noi tipuri de abordări. Au dezvoltat abordări mai eficiente, flexibile și mai puternice pentru a simula procesul de luare a deciziilor umane. Unele dintre abordările pe care cercetătorii le-au dezvoltat se bazează pe noi metode de inteligență artificială (AI) și, în special, în abordările de învățare automată și de extragere a datelor cu un mecanism de feedback. Rețelele neuronale recurente profită adesea de astfel de mecanisme. În legătură este discuția cu privire la secțiunea dezavantaje.

Sistemele moderne pot încorpora noi cunoștințe mai ușor și astfel se pot actualiza cu ușurință. Astfel de sisteme pot generaliza mai bine din cunoștințele existente și pot face față unor cantități mari de date complexe. Related este subiectul big data aici. Uneori, acest tip de sisteme expert este numit „sisteme inteligente”.

Arhitectura software

Exemplu ilustrativ de înlănțuire înapoi dintr-o lucrare de masterat din 1990

Un sistem expert este un exemplu de sistem bazat pe cunoaștere . Sistemele expert au fost primele sisteme comerciale care au folosit o arhitectură bazată pe cunoaștere. Un sistem bazat pe cunoaștere este în esență compus din două subsisteme: baza de cunoștințe și motorul de inferență .

Baza de cunoștințe reprezintă fapte despre lume. În primele sisteme de experți precum Mycin și Dendral, aceste fapte au fost reprezentate în principal ca afirmații plate despre variabile. În sistemele expert ulterioare dezvoltate cu shell-uri comerciale, baza de cunoștințe a preluat mai multă structură și a folosit concepte din programarea orientată pe obiecte. Lumea a fost reprezentată ca clase, subclase și instanțele și afirmațiile au fost înlocuite cu valori ale instanțelor obiectelor. Regulile au funcționat prin interogarea și afirmarea valorilor obiectelor.

Motorul de inferență este un sistem de raționament automat care evaluează starea actuală a bazei de cunoștințe, aplică reguli relevante și apoi afirmă noi cunoștințe în baza de cunoștințe. Motorul de inferență poate include, de asemenea, abilități de explicație, astfel încât să poată explica utilizatorului lanțul de raționament folosit pentru a ajunge la o anumită concluzie, urmărind înapoi asupra declanșării regulilor care au dus la afirmație.

Există în principal două moduri pentru un motor de inferență: lanțul înainte și lanțul înapoi . Diferitele abordări sunt dictate de faptul dacă motorul de inferență este condus de antecedentul (partea stângă) sau de consecința (partea dreaptă) a regulii. În lanțul înainte un antecedent se aprinde și afirmă consecințele. De exemplu, luați în considerare următoarea regulă:

$${\ displaystyle R1: {\ mathit {Man}} (x) \ implică {\ mathit {Mortal}} (x)}$$

Un exemplu simplu de înlănțuire înainte ar fi afirmarea omului (Socrate) în sistem și apoi declanșarea motorului de inferență. S-ar potrivi cu R1 și ar afirma Mortal (Socrate) în baza de cunoștințe.

Înlănțuirea înapoi este puțin mai directă. În lanțul înapoi, sistemul privește concluziile posibile și lucrează înapoi pentru a vedea dacă acestea ar putea fi adevărate. Deci, dacă sistemul ar încerca să determine dacă Mortal (Socrates) este adevărat, ar găsi R1 și ar interoga baza de cunoștințe pentru a vedea dacă Omul (Socrates) este adevărat. Una dintre inovațiile timpurii ale sistemelor expert a fost integrarea motoarelor de inferență cu o interfață cu utilizatorul. Acest lucru ar putea fi deosebit de puternic cu înlănțuirea înapoi. Dacă sistemul trebuie să cunoască un anumit fapt, dar nu știe, atunci poate genera pur și simplu un ecran de intrare și poate întreba utilizatorul dacă informațiile sunt cunoscute. Deci, în acest exemplu, ar putea folosi R1 pentru a întreba utilizatorul dacă Socrate a fost un om și apoi să utilizeze aceste informații noi în consecință.

Utilizarea regulilor pentru a reprezenta în mod explicit cunoștințele a permis, de asemenea, abilitățile de explicare. În exemplul simplu de mai sus, dacă sistemul ar fi folosit R1 pentru a afirma că Socrate era muritor și un utilizator dorea să înțeleagă de ce Socrate este muritor, ar putea interoga sistemul și sistemul ar privi înapoi la regulile care au declanșat pentru a provoca afirmația și le-ar prezenta reguli către utilizator ca explicație. În limba engleză, dacă utilizatorul a întrebat „De ce este Socrate mortal?” sistemul ar răspunde „Pentru că toți oamenii sunt muritori, iar Socrate este un om”. Un domeniu semnificativ pentru cercetare a fost generarea de explicații din baza de cunoștințe în limba engleză naturală, mai degrabă decât prin simpla prezentare a regulilor mai formale, dar mai puțin intuitive.

Pe măsură ce sistemele expert au evoluat, multe tehnici noi au fost încorporate în diferite tipuri de motoare de inferență. Unele dintre cele mai importante dintre acestea au fost:

• Întreținerea adevărului. Aceste sisteme înregistrează dependențele într-o bază de cunoștințe, astfel încât atunci când faptele sunt modificate, cunoștințele dependente pot fi modificate în consecință. De exemplu, dacă sistemul află că Socrate nu mai este cunoscut ca un om, va revoca afirmația că Socrate este muritor.
• Rationament hipotetic. În aceasta, baza de cunoștințe poate fi împărțită în mai multe puncte de vedere posibile, alias lumi. Acest lucru permite motorului de inferență să exploreze mai multe posibilități în paralel. De exemplu, sistemul poate dori să exploreze consecințele ambelor afirmații, ce va fi adevărat dacă Socrate este un Om și ce va fi adevărat dacă nu este?
• Sisteme de incertitudine. Una dintre primele extensii de simplă utilizare a regulilor pentru a reprezenta cunoștințele a fost, de asemenea, asocierea unei probabilități cu fiecare regulă. Deci, nu pentru a afirma că Socrate este muritor, ci pentru a afirma Socrate poate fi muritor cu o anumită valoare de probabilitate. Probabilitățile simple au fost extinse în unele sisteme cu mecanisme sofisticate pentru raționamente incerte, cum ar fi logica fuzzy și combinația de probabilități.
• Clasificarea ontologiei . Odată cu adăugarea de clase de obiecte la baza de cunoștințe, a fost posibil un nou tip de raționament. Împreună cu raționamentul pur și simplu despre valorile obiectelor, sistemul ar putea raționa și despre structurile obiectelor. În acest exemplu simplu, Omul poate reprezenta o clasă obiect și R1 poate fi redefinit ca o regulă care definește clasa tuturor oamenilor. Aceste tipuri de motoare de deducere cu scop special sunt denumite clasificatoare . Deși nu au fost foarte utilizate în sistemele expert, clasificatorii sunt foarte puternici pentru domeniile volatile nestructurate și sunt o tehnologie cheie pentru Internet și pentru web-ul semantic emergent .

Avantaje

Scopul sistemelor bazate pe cunoaștere este de a face informațiile critice necesare pentru ca sistemul să funcționeze explicit, mai degrabă decât implicit. Într-un program de calculator tradițional, logica este încorporată într-un cod care poate fi de obicei revizuit doar de un specialist IT. Cu un sistem expert, scopul a fost de a specifica regulile într-un format intuitiv și ușor de înțeles, revizuit și chiar editat de experți din domeniu, mai degrabă decât de experți IT. Avantajele acestei reprezentări explicite a cunoștințelor au fost dezvoltarea rapidă și ușurința întreținerii.

Ușurința de întreținere este cel mai evident benefic. Acest lucru a fost realizat în două moduri. În primul rând, prin eliminarea necesității de a scrie cod convențional, multe dintre problemele normale care pot fi cauzate chiar de mici modificări ale unui sistem ar putea fi evitate cu sisteme expert. În esență, fluxul logic al programului (cel puțin la cel mai înalt nivel) a fost pur și simplu un dat pentru sistem, invocând pur și simplu motorul de inferență. Acesta a fost, de asemenea, un motiv pentru al doilea beneficiu: prototiparea rapidă . Cu un shell de sistem expert, a fost posibil să se introducă câteva reguli și să se dezvolte un prototip în zile, mai degrabă decât în ​​lunile sau anul, de obicei asociate cu proiecte IT complexe.

O cerere pentru shell-uri de sistem expert care a fost adesea făcută a fost că au eliminat necesitatea programatorilor instruiți și că experții ar putea dezvolta ei înșiși sisteme. În realitate, acest lucru a fost rar sau chiar adevărat. În timp ce regulile pentru un sistem expert erau mai ușor de înțeles decât codul tipic al computerului, ele aveau totuși o sintaxă formală în care o virgulă sau un alt caracter nepotrivit ar putea provoca ravagii ca în orice alt limbaj de computer. De asemenea, pe măsură ce sistemele expert au trecut de la prototipuri în laborator la implementare în lumea afacerilor, problemele legate de integrare și întreținere au devenit mult mai critice. Au apărut inevitabil cereri de integrare cu și de a profita de baze de date și sisteme vechi vechi. Pentru a realiza acest lucru, integrarea a necesitat aceleași abilități ca orice alt tip de sistem.

Dezavantaje

Cel mai frecvent dezavantaj citat pentru sistemele expert în literatura academică este problema dobândirii cunoștințelor . Obținerea timpului experților din domeniu pentru orice aplicație software este întotdeauna dificilă, dar pentru sistemele experți a fost deosebit de dificilă, deoarece experții erau, prin definiție, foarte apreciați și la cerere constantă de către organizație. Ca urmare a acestei probleme, o mulțime de cercetări în ultimii ani de sisteme de experți s-au concentrat pe instrumente pentru achiziționarea de cunoștințe, pentru a ajuta la automatizarea procesului de proiectare, depanare și menținerea regulilor definite de experți. Cu toate acestea, atunci când analizăm ciclul de viață al sistemelor expert în utilizare reală, alte probleme - în esență aceleași probleme ca și cele ale oricărui alt sistem mare - par cel puțin la fel de critice ca achiziția de cunoștințe: integrare, acces la baze de date mari și performanță.

Performanța ar putea fi deosebit de problematică, deoarece primele sisteme expert au fost construite folosind instrumente (cum ar fi versiunile anterioare Lisp) care au interpretat expresiile de cod fără a le compila mai întâi. Acest lucru a oferit un mediu puternic de dezvoltare, dar cu dezavantajul că era practic imposibil să se potrivească eficiența celor mai rapide limbi compilate (cum ar fi C ). Integrarea sistemelor și a bazelor de date a fost dificilă pentru primele sisteme expert, deoarece instrumentele erau în mare parte în limbaje și platforme care nu erau nici familiare, nici binevenite în majoritatea mediilor IT corporative - limbaje de programare precum Lisp și Prolog și platforme hardware precum mașinile Lisp și computerele personale . Ca urmare, mult efort în etapele ulterioare ale dezvoltării de instrumente de sistem expert s-a concentrat pe integrarea cu medii vechi, cum ar fi COBOL și sisteme mari de baze de date, și pe portarea pe platforme mai standard. Aceste probleme au fost rezolvate în principal prin schimbarea de paradigmă client-server, întrucât PC-urile au fost acceptate treptat în mediul IT ca o platformă legitimă pentru dezvoltarea serioasă a sistemului de afaceri și ca servere de minicomputer accesibile , oferind puterea de procesare necesară pentru aplicațiile AI.

O altă provocare majoră a sistemelor expert apare atunci când dimensiunea bazei de cunoștințe crește. Acest lucru face ca complexitatea procesării să crească. De exemplu, atunci când un sistem expert cu 100 de milioane de reguli a fost conceput ca fiind sistemul expert suprem, a devenit evident că un astfel de sistem ar fi prea complex și s-ar confrunta cu prea multe probleme de calcul. Un motor de inferență ar trebui să poată procesa un număr mare de reguli pentru a ajunge la o decizie.

Modul de verificare a conformității regulilor de decizie este, de asemenea, o provocare atunci când există prea multe reguli. De obicei, o astfel de problemă duce la o formulare de satisfacție (SAT). Aceasta este o binecunoscută problemă de satisfacție booleană NP-completă . Dacă presupunem doar variabile binare, spuneți n dintre ele, iar spațiul de căutare corespunzător este de dimensiunea 2 . Astfel, spațiul de căutare poate crește exponențial. ${\ displaystyle ^ {n}}$

Există, de asemenea, întrebări cu privire la modul de prioritizare a utilizării regulilor pentru a funcționa mai eficient sau la modul de soluționare a ambiguităților (de exemplu, dacă există prea multe altele - dacă sub-structuri într-o singură regulă) și așa mai departe.

Alte probleme sunt legate de efectele de supradaptare și suprageneralizare atunci când se utilizează fapte cunoscute și se încearcă generalizarea în alte cazuri nedescrise în mod explicit în baza de cunoștințe. Astfel de probleme există cu metodele care folosesc și abordări de învățare automată.

O altă problemă legată de baza de cunoștințe este cum să actualizăm cunoștințele sale rapid și eficient. De asemenea, cum să adăugați o nouă bucată de cunoștințe (adică, unde să o adăugați printre multe reguli) este o provocare. Abordările moderne care se bazează pe metodele de învățare automată sunt mai ușoare în acest sens.

Din cauza provocărilor de mai sus, a devenit clar că sunt necesare noi abordări ale IA în locul tehnologiilor bazate pe reguli. Aceste noi abordări se bazează pe utilizarea tehnicilor de învățare automată, împreună cu utilizarea mecanismelor de feedback.

Provocările cheie pe care sistemele expert în medicină (dacă se consideră sistemele de diagnostic asistate de computer ca sisteme moderne expert) și poate în alte domenii ale aplicațiilor, includ aspecte legate de aspecte precum: date mari, reglementări existente, practică medicală, diverse probleme algoritmice , și evaluarea sistemului.

Aplicații

Hayes-Roth împarte aplicațiile de sistem expert în 10 categorii ilustrate în tabelul următor. Exemplele de aplicații nu erau în tabelul original Hayes-Roth, iar unele dintre ele au apărut mult după aceea. Orice aplicație care nu este notată la subsol este descrisă în cartea Hayes-Roth. De asemenea, în timp ce aceste categorii oferă un cadru intuitiv pentru a descrie spațiul aplicațiilor de sisteme expert, acestea nu sunt categorii rigide și, în unele cazuri, o aplicație poate prezenta trăsături de mai multe categorii.

Hearsay a fost o încercare timpurie de a rezolva recunoașterea vocală printr-o abordare sistemică expertă. În cea mai mare parte această categorie de sisteme expert nu a avut atât de mult succes. Haysay și toate sistemele de interpretare sunt în esență sisteme de recunoaștere a modelelor - căutând modele în date zgomotoase. În cazul lui Hearsay, recunoașterea fonemelor într-un flux audio. Alte exemple timpurii au fost analiza datelor sonarului pentru a detecta submarinele rusești. Aceste tipuri de sisteme s-au dovedit mult mai susceptibile unei soluții de rețea neuronală AI decât o abordare bazată pe reguli.

CADUCEUS și MYCIN au fost sisteme de diagnostic medical. Utilizatorul descrie simptomele pe computer, așa cum ar face un medic, iar computerul returnează un diagnostic medical.

Dendral a fost un instrument pentru studierea formării ipotezelor în identificarea moleculelor organice. Problema generală pe care a rezolvat-proiectarea unei soluții având în vedere un set de constrângeri - a fost una dintre cele mai reușite domenii pentru primele sisteme expert aplicate domeniilor de afaceri, cum ar fi agenții de vânzări care configurează computerele VAX ale Digital Equipment Corporation (DEC) și dezvoltarea de cereri de împrumut ipotecar.

SMH.PAL este un sistem expert pentru evaluarea elevilor cu dizabilități multiple.

Mistral este un sistem expert pentru monitorizarea siguranței barajelor, dezvoltat în anii 1990 de către Ismes (Italia). Obține date de la un sistem automat de monitorizare și efectuează un diagnostic al stării barajului. Primul său exemplar, instalat în 1992 pe barajul Ridracoli (Italia), este încă operațional 24/7/365. A fost instalat pe mai multe baraje din Italia și din străinătate (de exemplu, barajul Itaipu din Brazilia) și pe siturile de alunecare de teren sub numele de Eydenet și pe monumentele cu numele de Kaleidos. Mistral este o marcă înregistrată a CESI .

Vezi si

• Iarna AI
• CLIPURI
• Programare logică de constrângere
• Satisfacția constrângerii
• Ingineria cunoștințelor
• Sistem de clasificare a învățării
• Învățare automată bazată pe reguli

Referințe

linkuri externe

• Inteligența artificială la Curlie
• Tutorial Expert System despre Code Project