EXPERTENSYSTEME: GESCHICHTE, EIGENSCHAFTEN, VOR- UND NACHTEILE - TECHNOLOGIE - 2025

Die Expertensysteme sind als Systeme definiert, die die Entscheidungsfähigkeit eines menschlichen Experten auf einem bestimmten Gebiet nachahmen. Sie verwenden sowohl heuristische Strategien als auch Fakten, um komplexe Entscheidungsprobleme zuverlässig und interaktiv zu lösen.

Sie wurden entwickelt, um hochkomplexe Probleme zu lösen und durch Wissensdatenbanken zu argumentieren. Anstatt durch Verfahrenscode dargestellt zu werden, werden sie im Wesentlichen durch Wenn-Dann-Regeln dargestellt.

Quelle: pixabay.com

Sie sind in der Lage, sich auszudrücken und über einen Wissensbereich nachzudenken, wodurch sie viele Probleme lösen können, die im Allgemeinen einen menschlichen Experten erfordern würden. Expertensysteme waren die Vorgänger der heutigen Systeme für künstliche Intelligenz, tiefes Lernen und maschinelles Lernen.

Ein Expertensystem kann die Gesamtleistung eines Mitarbeiters bei der Fehlerbehebung nicht ersetzen. Sie können jedoch den Arbeitsaufwand für die Lösung eines Problems drastisch reduzieren und die kreativen und innovativen Aspekte der Problemlösung den Menschen überlassen.

Sie haben in vielen Branchen eine wichtige Rolle gespielt, beispielsweise in den Bereichen Finanzdienstleistungen, Telekommunikation, Gesundheitswesen, Kundendienst, Videospiele und Fertigung.

Systemkapazität

Ein Expertensystem umfasst zwei Subsysteme: eine Wissensbasis, die gesammelte Fakten und Erfahrungen enthält, und eine Inferenzmaschine, die eine Reihe von Regeln enthält, die auf die Wissensbasis oder bekannte Fakten in jeder bestimmten Situation anzuwenden sind, um neue abzuleiten. handelt.

Die Systemfunktionen können durch Ergänzungen der Wissensdatenbank oder des Regelsatzes erweitert werden.

Zum Beispiel können heutige Expertensysteme auch automatisch lernen, wodurch sie ihre Leistung basierend auf Erfahrung verbessern können, genau wie Menschen.

Darüber hinaus können moderne Systeme neues Wissen leichter einbinden und somit leicht aktualisiert werden. Solche Systeme können das vorhandene Wissen besser verallgemeinern und große Mengen komplexer Daten verarbeiten.

Geschichte

- Erste Entwicklungen

In den späten 1950er Jahren begannen Experimente mit der Möglichkeit, mithilfe von Computertechnologie menschliche Entscheidungen nachzuahmen. Beispielsweise wurden computergestützte Systeme für diagnostische Anwendungen in der Medizin entwickelt.

Diese anfänglichen Diagnosesysteme haben Patientensymptome und Labortestergebnisse in das System eingegeben, um als Ergebnis eine Diagnose zu generieren. Dies waren die ersten Formen von Expertensystemen.

- Hauptentwicklungen

Anfang der sechziger Jahre wurden Programme entwickelt, die genau definierte Probleme lösten. Zum Beispiel Spiele oder maschinelle Übersetzungen.

Diese Programme erforderten intelligente Argumentationstechniken, um die vorgestellten logischen und mathematischen Probleme zu lösen, erforderten jedoch nicht viel zusätzliches Wissen.

Die Forscher begannen zu begreifen, dass Programme zur Lösung vieler interessanter Probleme nicht nur in der Lage sein mussten, die Probleme zu interpretieren, sondern auch Grundkenntnisse benötigten, um sie vollständig zu verstehen.

Dies führte nach und nach zur Entwicklung von Expertensystemen, die sich mehr auf Wissen konzentrierten.

Das Konzept der Expertensysteme wurde 1965 von Edward Feigenbaum, Professor an der Stanford University, USA, formell entwickelt.

Feigenbaum erklärte, dass die Welt dank neuer Prozessortechnologie und Computerarchitekturen von der Datenverarbeitung zur Wissensverarbeitung übergeht.

Dendral

In den späten 1960er Jahren wurde eines der ersten Expertensysteme namens Dendral entwickelt, das sich mit der Analyse chemischer Verbindungen befasst.

Dendrals Wissen bestand aus Hunderten von Regeln, die die Wechselwirkungen chemischer Verbindungen beschrieben. Diese Regeln sind das Ergebnis jahrelanger Zusammenarbeit zwischen Chemikern und Informatikern.

- Reife

Expertensysteme begannen sich in den 1980er Jahren zu vermehren. Viele der Fortune 500-Unternehmen haben diese Technologie in ihren täglichen Geschäftsaktivitäten eingesetzt.

In den neunziger Jahren haben viele Anbieter von Geschäftsanwendungen wie Oracle und SAP Expertensystemfunktionen in ihre Produktsuite integriert, um die Geschäftslogik zu erklären.

Eigenschaften

- Erfahrungslevel

Ein Expertensystem muss ein Höchstmaß an Fachwissen bieten. Bietet Effizienz, Präzision und einfallsreiche Problemlösung.

- Pünktliche Reaktion

Der Benutzer interagiert für einen angemessenen Zeitraum mit dem Expertensystem. Die Zeit dieser Interaktion muss kürzer sein als die Zeit, die ein Experte benötigt, um die genaueste Lösung für dasselbe Problem zu erhalten.

- Verlässlichkeit

Das Expertensystem muss eine gute Zuverlässigkeit aufweisen. Dazu dürfen Sie keine Fehler machen.

- Effektiver Mechanismus

Das Expertensystem muss über einen effizienten Mechanismus zur Verwaltung des darin vorhandenen Wissenskompendiums verfügen.

- Probleme behandeln

Ein Expertensystem muss in der Lage sein, herausfordernde Probleme zu bewältigen und die richtigen Entscheidungen zu treffen, um Lösungen bereitzustellen.

- Komponenten

Wissensbasis

Es handelt sich um eine organisierte Sammlung von Daten, die dem Erfahrungsumfang des Systems entsprechen.

Durch Interviews und Beobachtungen mit menschlichen Experten müssen die Fakten, aus denen sich die Wissensbasis zusammensetzt, ermittelt werden.

Inferenzmaschine

Interpretieren und bewerten Sie die Fakten in der Wissensdatenbank anhand von Regeln, um eine Empfehlung oder Schlussfolgerung zu geben.

Dieses Wissen wird in Form von Wenn-Dann-Produktionsregeln dargestellt: "Wenn eine Bedingung erfüllt ist, kann der folgende Abzug vorgenommen werden."

Schlussfolgerungen

Oft wird ein Wahrscheinlichkeitsfaktor an die Schlussfolgerung jeder Produktionsregel und an die endgültige Empfehlung angehängt, da die Schlussfolgerung keine absolute Gewissheit ist.

Beispielsweise könnte ein Expertensystem zur Diagnose von Augenkrankheiten auf der Grundlage der bereitgestellten Informationen anzeigen, dass eine Person ein Glaukom mit einer Wahrscheinlichkeit von 90% hat.

Auch die Reihenfolge der Regeln, durch die die Schlussfolgerung gezogen wurde, kann gezeigt werden. Die Überwachung dieser Kette hilft bei der Beurteilung der Glaubwürdigkeit der Empfehlung und ist als Lerninstrument nützlich.

Typen

Regelbasiert

In diesem System wird Wissen als Regelwerk dargestellt. Die Regel ist eine direkte und flexible Art, Wissen auszudrücken.

Die Regel besteht aus zwei Teilen: dem "Wenn" -Teil, der als Bedingung bezeichnet wird, und dem "Dann" -Teil, der als Abzug bezeichnet wird. Die grundlegende Syntax einer Regel lautet: If (Bedingung) Then (Abzug).

Basierend auf Fuzzy-Logik

Wenn Sie Wissen mit vagen Wörtern wie "sehr wenig", "mäßig schwierig", "nicht so alt" ausdrücken möchten, kann Fuzzy-Logik verwendet werden.

Diese Logik wird verwendet, um eine ungenaue Definition zu beschreiben. Es basiert auf der Idee, dass alle Dinge auf einer gleitenden Skala beschrieben werden.

Die klassische Logik arbeitet mit zwei Sicherheitswerten: Wahr (1) und Falsch (0). In der Fuzzy-Logik werden alle Sicherheitswerte als reelle Zahlen im Bereich von 0 bis 1 ausgedrückt.

Fuzzy-Logik repräsentiert Wissen, das auf einem Grad an Wahrhaftigkeit basiert, und nicht auf der absoluten Wahrhaftigkeit der klassischen Logik.

Neuronal

Die Vorteile des regelbasierten Expertensystems kombinieren auch die Vorteile des neuronalen Netzwerks wie Lernen, Verallgemeinerung, Robustheit und parallele Informationsverarbeitung.

Dieses System verfügt eher über eine neuronale Wissensbasis als über die traditionelle Wissensbasis. Wissen wird als Gewicht in Neuronen gespeichert.

Diese Kombination ermöglicht es dem neuronalen Expertensystem, seine Schlussfolgerungen zu rechtfertigen.

Neuronal-diffus

Fuzzy-Logik und neuronale Netze sind komplementäre Werkzeuge zum Aufbau von Expertensystemen.

Fuzzy-Systeme sind nicht lernfähig und können sich nicht an eine neue Umgebung anpassen. Obwohl neuronale Netze lernen können, ist ihr Prozess für den Benutzer sehr kompliziert.

Neuronale Fuzzy-Systeme können die Rechen- und Lernfähigkeiten des neuronalen Netzwerks mit der Darstellung menschlichen Wissens und den Erklärungsfähigkeiten von Fuzzy-Systemen kombinieren.

Infolgedessen werden neuronale Netze transparenter, während das Fuzzy-System lernfähig wird.

Vorteil

Verfügbarkeit

Aufgrund der Massenproduktion der Software sind Expertensysteme überall und jederzeit verfügbar.

Reduziertes Risiko

Ein Unternehmen kann ein Expertensystem in Umgebungen betreiben, die für Menschen gefährlich sind. Sie können in jeder gefährlichen Umgebung eingesetzt werden, in der Menschen nicht arbeiten können.

Geschäftswissen

Sie können im Gegensatz zum Wissen von Einzelpersonen in einem Unternehmen zu einem Instrument zur Entwicklung von Organisationswissen werden.

Antworterklärung beantworten

Sie sind in der Lage, ihre Entscheidungsfindung angemessen zu erläutern und die Gründe, die zu einer Antwort geführt haben, ausführlich darzulegen.

Als Trainingsinstrumente führen sie zu einer schnelleren Lernkurve für Anfänger.

Schnelle Antwort

Hilft, schnelle und genaue Antworten zu erhalten. Ein Expertensystem kann seinen Aufgabenanteil viel schneller erledigen als ein menschlicher Experte.

Niedrige Fehlerrate

Die Fehlerrate erfolgreicher Expertensysteme ist ziemlich niedrig, manchmal viel niedriger als die menschliche Fehlerrate für dieselbe Aufgabe.

Emotionslose Reaktion

Expertensysteme funktionieren ohne Aufregung. Sie werden nicht angespannt, müde oder panisch und arbeiten in Notsituationen stetig.

Wissensbeständigkeit

Das Expertensystem verfügt über ein erhebliches Informationsniveau. Dieses enthaltene Wissen wird auf unbestimmte Zeit anhalten.

Rapid-Prototyping

Mit einem Expertensystem ist es möglich, einige Regeln einzugeben und einen Prototyp in Tagen zu entwickeln, anstatt in den Monaten oder Jahren, die üblicherweise mit komplexen IT-Projekten verbunden sind.

Mehrere Erfahrungen

Das Expertensystem kann so konzipiert werden, dass es das Wissen vieler qualifizierter Experten enthält und somit komplexe Probleme lösen kann.

Dies reduziert die Kosten für die Beratung von Experten zur Problemlösung. Sie sind ein Mittel, um schwer zu beschaffende Wissensquellen zu erhalten.

Nachteile

Wissenserwerb

Es ist immer schwierig, die Zeit von Experten in bestimmten Bereichen für eine Softwareanwendung zu finden, aber für Expertensysteme ist es besonders schwierig, weil Experten von Organisationen hoch geschätzt und ständig nachgefragt werden.

Infolgedessen hat sich in den letzten Jahren ein großer Teil der Forschung auf Werkzeuge zum Erwerb von Wissen konzentriert, die dazu beitragen, den Entwurfsprozess, das Debuggen und die Einhaltung der von Experten definierten Regeln zu automatisieren.

System Integration

Die Integration der Systeme in die Datenbanken war für die ersten Expertensysteme schwierig, da die Tools hauptsächlich in Sprachen und Plattformen verfügbar waren, die in Unternehmensumgebungen nicht bekannt waren.

Infolgedessen wurden große Anstrengungen unternommen, um Expertensystemtools in ältere Umgebungen zu integrieren und die Übertragung auf Standardplattformen zu ermöglichen.

Diese Probleme wurden hauptsächlich durch den Paradigmenwechsel gelöst, da PCs in der Computerumgebung allmählich als legitime Plattform für die Entwicklung seriöser Geschäftssysteme akzeptiert wurden.

Komplexität der Verarbeitung

Das Erhöhen der Größe der Wissensbasis erhöht die Komplexität der Verarbeitung.

Wenn ein Expertensystem beispielsweise 100 Millionen Regeln hat, ist es offensichtlich, dass es zu komplex wäre und mit vielen Rechenproblemen konfrontiert wäre.

Eine Inferenzmaschine müsste in der Lage sein, eine große Anzahl von Regeln zu verarbeiten, um eine Entscheidung zu treffen.

Wenn es zu viele Regeln gibt, ist es auch schwierig zu überprüfen, ob diese Entscheidungsregeln miteinander übereinstimmen.

Es ist auch schwierig, die Verwendung der Regeln zu priorisieren, um effizienter zu arbeiten oder Unklarheiten zu lösen.

Wissensupdate

Ein Problem im Zusammenhang mit der Wissensdatenbank besteht darin, wie Updates schnell und effektiv durchgeführt werden können. Außerdem, wie man neues Wissen hinzufügt, dh wo man es unter so vielen Regeln hinzufügt.

Anwendungen

Diagnose und Fehlerbehebung

Es fasst alle Systeme zusammen, die auf Fehler schließen, und schlägt Korrekturmaßnahmen für einen fehlerhaften Prozess oder ein fehlerhaftes Gerät vor.

Einer der ersten Wissensbereiche, in denen Expertensystemtechnik angewendet wurde, war die medizinische Diagnose. Die Diagnostik technischer Systeme übertraf jedoch schnell die medizinische Diagnostik.

Die Diagnose kann ausgedrückt werden als: Was ist angesichts der vorgelegten Beweise das zugrunde liegende Problem, der Grund oder die Ursache?

Planung und Terminierung

Diese Expertensysteme analysieren eine Reihe von Zielen, um eine Reihe von Maßnahmen zu ermitteln, mit denen diese Ziele erreicht werden, und bieten eine detaillierte Reihenfolge dieser Maßnahmen im Zeitverlauf unter Berücksichtigung von Materialien, Personal und anderen Einschränkungen.

Beispiele hierfür sind die Personalausstattung und Flugplanung der Fluggesellschaft sowie die Planung des Herstellungsprozesses.

Finanzielle Entscheidungen

Es wurden Finanzberatungssysteme geschaffen, mit denen Banker entscheiden können, ob sie Kredite an Privatpersonen und Unternehmen vergeben.

Versicherungsunternehmen verwenden diese Expertensysteme, um das vom Kunden ausgehende Risiko zu bewerten und damit den Versicherungspreis zu bestimmen.

Prozessüberwachung und -steuerung

Sie analysieren Daten von physischen Geräten in Echtzeit, um Anomalien zu erkennen, Trends vorherzusagen und sowohl die Optimierung als auch die Fehlerkorrektur zu steuern.

Beispiele für diese Systeme sind in der Ölraffinerie- und Stahlindustrie.

Wissensberatung

Die Hauptfunktion dieser Anwendung besteht darin, einen aussagekräftigen Einblick in das Problem des Benutzers in der Umgebung dieses Problems zu geben.

Zu dieser Kategorie gehören die beiden weltweit am weitesten verbreiteten Expertensysteme.

Das erste dieser Systeme ist ein Berater, der den Benutzer über die korrekte Verwendung der Grammatik in einem Text berät.

Der zweite ist ein Steuerberater, der an ein System zur Vorbereitung von Steuern angeschlossen ist. Berät den Benutzer über die Strategie und bestimmte Steuerrichtlinien.

Verweise

1. Guru99 (2019). Expertensystem für künstliche Intelligenz: Was ist, Anwendungen, Beispiel. Entnommen aus: guru99.com.
2. Wikipedia, die freie Enzyklopädie (2019). Expertensystem. Entnommen aus: en.wikipedia.org.
3. Margaret Rouse (2019). Expertensystem. Techtarget. Entnommen aus: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Expertensystem. Enzyklopädie Entnommen aus: britannica.com.
5. Wtec (2019). Die Anwendungen von Expertensystemen. Entnommen aus: wtec.org.
6. Viral Nagori (2014). Arten von Expertensystemen: Vergleichsstudie. Semantic Scholar Entnommen aus: pdfs.semanticscholar.org.
7. World of Computing (2010). Expertensysteme. Entnommen aus: Intelligence.worldofcomputing.net.