SISTEMI ESPERTI: STORIA, CARATTERISTICHE, VANTAGGI, SVANTAGGI - TECNOLOGIA - 2026

I sistemi esperti sono definiti come sistemi che emulano la capacità decisionale di un esperto umano in un particolare campo. Usano sia strategie euristiche che fatti per risolvere problemi decisionali complessi in modo affidabile e interattivo.

Sono progettati per risolvere problemi molto complessi, ragionando attraverso basi di conoscenza. Piuttosto che essere rappresentati da codice procedurale, sono fondamentalmente rappresentati da regole If-Then.

Fonte: pixabay.com

Sono in grado di esprimere se stessi e ragionare su alcune aree di conoscenza, che consente loro di risolvere molti problemi che generalmente richiederebbero un esperto umano. I sistemi esperti sono stati i predecessori dei sistemi di intelligenza artificiale, deep learning e machine learning di oggi.

Un sistema esperto non può sostituire le prestazioni complessive di un lavoratore nella risoluzione dei problemi. Tuttavia, possono ridurre drasticamente la quantità di lavoro che l'individuo deve svolgere per risolvere un problema, lasciando alle persone gli aspetti creativi e innovativi del problem solving.

Hanno svolto un ruolo importante in molti settori, come servizi finanziari, telecomunicazioni, sanità, servizio clienti, videogiochi e produzione.

Capacità del sistema

Un sistema esperto incorpora due sottosistemi: una base di conoscenza, che contiene fatti ed esperienze accumulati, e un motore di inferenza, che è un insieme di regole da applicare alla base di conoscenza o fatti noti in ogni situazione particolare, al fine di dedurne di nuovi. atti.

Le capacità del sistema possono essere migliorate con aggiunte alla knowledge base o al set di regole.

Ad esempio, i sistemi esperti di oggi possono anche avere la capacità di apprendere automaticamente, consentendo loro di migliorare le proprie prestazioni in base all'esperienza, proprio come fanno gli esseri umani.

Inoltre, i sistemi moderni possono incorporare più facilmente nuove conoscenze e quindi essere facilmente aggiornati. Tali sistemi possono generalizzare meglio dalla conoscenza esistente e gestire grandi quantità di dati complessi.

Storia

- Sviluppi iniziali

Alla fine degli anni '50, iniziò la sperimentazione con la possibilità di utilizzare la tecnologia informatica per emulare il processo decisionale umano. Ad esempio, si è iniziato a creare sistemi assistiti da computer per applicazioni diagnostiche in medicina.

Questi sistemi diagnostici iniziali hanno immesso nel sistema i sintomi del paziente e i risultati dei test di laboratorio per generare una diagnosi come risultato. Queste erano le prime forme di sistemi esperti.

- Principali sviluppi

All'inizio degli anni Sessanta furono sviluppati programmi che risolvevano problemi ben definiti. Ad esempio, giochi o traduzioni automatiche.

Questi programmi richiedevano tecniche di ragionamento intelligenti per gestire i problemi logici e matematici presentati, ma non richiedevano molte conoscenze aggiuntive.

I ricercatori hanno iniziato a rendersi conto che per risolvere molti problemi interessanti, i programmi non solo dovevano essere in grado di interpretare i problemi, ma avevano anche bisogno di conoscenze di base per comprenderli appieno.

Ciò portò gradualmente allo sviluppo di sistemi esperti, più focalizzati sulla conoscenza.

Il concetto di sistemi esperti è stato formalmente sviluppato nel 1965 da Edward Feigenbaum, professore alla Stanford University, USA.

Feigenbaum ha spiegato che il mondo stava passando dall'elaborazione dei dati all'elaborazione della conoscenza, grazie alla nuova tecnologia dei processori e alle architetture dei computer.

Dendral

Alla fine degli anni '60, uno dei primi sistemi esperti, chiamato Dendral, fu sviluppato per affrontare l'analisi di composti chimici.

La conoscenza di Dendral consisteva in centinaia di regole che descrivevano le interazioni dei composti chimici. Queste regole erano il risultato di anni di collaborazione tra chimici e informatici.

- Maturità

I sistemi esperti hanno iniziato a proliferare negli anni '80. Molte delle società Fortune 500 hanno applicato questa tecnologia nelle loro attività lavorative quotidiane.

Negli anni '90, molti fornitori di applicazioni aziendali, come Oracle e SAP, hanno integrato le capacità di sistemi esperti nella loro suite di prodotti, come modo per spiegare la logica aziendale.

caratteristiche

- Livello di esperienza

Un sistema esperto deve offrire il massimo livello di competenza. Fornisce efficienza, precisione e fantasiosa risoluzione dei problemi.

- Reazione in tempo

L'utente interagisce con il sistema esperto per un periodo di tempo abbastanza ragionevole. Il tempo di questa interazione deve essere inferiore al tempo che un esperto impiega per ottenere la soluzione più precisa per lo stesso problema.

- Affidabilità

Il sistema esperto deve avere una buona affidabilità. Per fare questo, non devi commettere errori.

- Meccanismo efficace

Il sistema esperto deve disporre di un meccanismo efficiente per poter gestire il compendio di conoscenza che esiste in esso.

- Gestisci i problemi

Un sistema esperto deve essere in grado di gestire problemi impegnativi e prendere le giuste decisioni per fornire soluzioni.

- Componenti

Base di conoscenza

Si tratta di una raccolta organizzata di dati corrispondenti all'ambito di esperienza del sistema.

Attraverso interviste e osservazioni con esperti umani, devono essere presi i fatti che compongono la base di conoscenza.

Motore di inferenza

Interpretare e valutare i fatti nella knowledge base attraverso regole, al fine di fornire una raccomandazione o una conclusione.

Questa conoscenza è rappresentata sotto forma di regole di produzione Se-Allora: "Se una condizione è vera, si può fare la seguente deduzione".

Conclusioni

Spesso un fattore di probabilità è associato alla conclusione di ogni regola di produzione e alla raccomandazione finale, perché la conclusione raggiunta non è una certezza assoluta.

Ad esempio, un sistema esperto per la diagnosi delle malattie degli occhi potrebbe indicare, sulla base delle informazioni fornite, che una persona ha il glaucoma con una probabilità del 90%.

Inoltre, può essere mostrata la sequenza di regole attraverso le quali è stata raggiunta la conclusione. Il monitoraggio di questa catena aiuta a valutare la credibilità della raccomandazione ed è utile come strumento di apprendimento.

tipi

Basato su regole

In questo sistema la conoscenza è rappresentata come un insieme di regole. La regola è un modo diretto e flessibile di esprimere la conoscenza.

La regola è composta da due parti: la parte "Se", chiamata condizione, e la parte "Allora", chiamata deduzione. La sintassi di base di una regola è: If (condizione) Then (deduzione).

Basato su logica fuzzy

Quando si desidera esprimere la conoscenza utilizzando parole vaghe come "molto poco", "moderatamente difficile", "non così vecchio", è possibile utilizzare la logica fuzzy.

Questa logica viene utilizzata per descrivere una definizione imprecisa. Si basa sull'idea che tutte le cose sono descritte su una scala mobile.

La logica classica opera con due valori di certezza: True (1) e False (0). Nella logica fuzzy, tutti i valori di certezza sono espressi come numeri reali nell'intervallo da 0 a 1.

La logica fuzzy rappresenta la conoscenza basata su un grado di veridicità, piuttosto che l'assoluta veridicità della logica classica.

Neuronale

I vantaggi del sistema esperto basato su regole combinano anche i vantaggi della rete neurale, come l'apprendimento, la generalizzazione, la robustezza e l'elaborazione parallela delle informazioni.

Questo sistema ha una base di conoscenza neurale, piuttosto che la base di conoscenza tradizionale. La conoscenza è immagazzinata come pesi nei neuroni.

Questa combinazione consente al sistema esperto neurale di giustificare le proprie conclusioni.

Neuronale-diffuso

La logica fuzzy e le reti neurali sono strumenti complementari per la creazione di sistemi esperti.

I sistemi fuzzy non hanno la capacità di apprendere e non possono adattarsi a un nuovo ambiente. D'altra parte, sebbene le reti neurali possano apprendere, il loro processo è molto complicato per l'utente.

I sistemi neurali-fuzzy possono combinare le capacità di elaborazione e apprendimento della rete neurale con la rappresentazione della conoscenza umana e le capacità di spiegazione dei sistemi fuzzy.

Di conseguenza, le reti neurali diventano più trasparenti, mentre il sistema fuzzy diventa in grado di apprendere.

Vantaggio

Disponibilità

I sistemi esperti sono prontamente disponibili, ovunque e in qualsiasi momento, grazie alla produzione di massa del software.

Rischio ridotto

Un'azienda può gestire un sistema esperto in ambienti pericolosi per l'uomo. Possono essere utilizzati in qualsiasi ambiente pericoloso in cui gli esseri umani non possono lavorare.

Conoscenza aziendale

Possono diventare un veicolo per sviluppare la conoscenza organizzativa, in contrasto con la conoscenza delle persone in un'azienda.

Rispondi alla spiegazione

Sono in grado di dare una spiegazione adeguata del loro processo decisionale, esprimendo in dettaglio il ragionamento che ha portato a una risposta.

Quando vengono utilizzati come strumenti di formazione, risultano in una curva di apprendimento più rapida per i principianti.

Risposta veloce

Aiuta a ottenere risposte rapide e accurate. Un sistema esperto può completare la sua quota di attività molto più velocemente di un esperto umano.

Basso tasso di errore

Il tasso di errore dei sistemi esperti di successo è piuttosto basso, a volte molto inferiore al tasso di errore umano per la stessa attività.

Risposta senza emozioni

I sistemi esperti funzionano senza eccitarsi. Non si innervosiscono, non si sentono stanchi o nel panico e lavorano costantemente durante le situazioni di emergenza.

Permanenza della conoscenza

Il sistema esperto mantiene un livello significativo di informazioni. Questa conoscenza contenuta durerà indefinitamente.

Prototipazione rapida

Con un sistema esperto è possibile inserire alcune regole e sviluppare un prototipo in pochi giorni, piuttosto che nei mesi o negli anni comunemente associati a progetti IT complessi.

Molteplici esperienze

Il sistema esperto può essere progettato per contenere la conoscenza di molti esperti qualificati e quindi avere la capacità di risolvere problemi complessi.

Ciò riduce la spesa per la consulenza di consulenti esperti nella risoluzione dei problemi. Sono un veicolo per ottenere fonti di conoscenza difficili da ottenere.

svantaggi

Acquisizione della conoscenza

È sempre difficile ottenere il tempo di esperti in campi particolari per qualsiasi applicazione software, ma per sistemi esperti è particolarmente difficile, perché gli esperti sono molto apprezzati e costantemente richiesti dalle organizzazioni.

Di conseguenza, una grande quantità di ricerca negli ultimi anni si è concentrata su strumenti per l'acquisizione di conoscenza, che aiutano ad automatizzare il processo di progettazione, debugging e mantenimento delle regole definite dagli esperti.

Integrazione del sistema

L'integrazione dei sistemi con le banche dati era difficile per i primi sistemi esperti, perché gli strumenti erano principalmente in linguaggi e piattaforme non conosciute negli ambienti aziendali.

Di conseguenza, è stato fatto un grande sforzo per integrare strumenti di sistemi esperti con ambienti legacy, effettuando il trasferimento a piattaforme più standard.

Questi problemi sono stati risolti principalmente dal cambio di paradigma, poiché i PC sono stati gradualmente accettati nell'ambiente informatico come piattaforma legittima per lo sviluppo di sistemi aziendali seri.

Complessità di elaborazione

Aumentando la dimensione della base di conoscenza aumenta la complessità del trattamento.

Ad esempio, se un sistema esperto ha 100 milioni di regole è ovvio che sarebbe troppo complesso e affronterebbe molti problemi computazionali.

Un motore di inferenza dovrebbe essere in grado di elaborare un gran numero di regole per prendere una decisione.

Quando ci sono troppe regole, è anche difficile verificare che queste regole decisionali siano coerenti tra loro.

È anche difficile dare la priorità all'uso delle regole per operare in modo più efficiente o come risolvere le ambiguità.

Aggiornamento della conoscenza

Un problema relativo alla knowledge base è come eseguire gli aggiornamenti in modo rapido ed efficace. Inoltre, come aggiungere nuova conoscenza, cioè dove aggiungerla tra tante regole.

applicazioni

Diagnosi e risoluzione dei problemi

Riassume tutti i sistemi che inferiscono i guasti e suggerisce azioni correttive per un processo o dispositivo malfunzionante.

Una delle prime aree di conoscenza in cui è stata applicata la tecnologia dei sistemi esperti è stata la diagnosi medica. Tuttavia, la diagnostica dei sistemi di ingegneria ha rapidamente superato la diagnostica medica.

La diagnosi può essere espressa come: date le prove presentate, qual è il problema, motivo o causa sottostante?

Pianificazione e programmazione

Questi sistemi esperti analizzano una serie di obiettivi per determinare una serie di azioni che raggiungono tali obiettivi, fornendo un ordine dettagliato di tali azioni nel tempo, considerando materiali, personale e altre restrizioni.

Gli esempi includono il personale delle compagnie aeree e la pianificazione dei voli e la pianificazione del processo di produzione.

Decisioni finanziarie

Sono stati creati sistemi di consulenza finanziaria per aiutare i banchieri a stabilire se concedere prestiti a privati ​​e aziende.

Le compagnie di assicurazione utilizzano questi sistemi esperti per valutare il rischio che presenta il cliente e quindi determinare il prezzo dell'assicurazione.

Monitoraggio e controllo dei processi

Analizzano i dati dai dispositivi fisici in tempo reale, al fine di rilevare anomalie, prevedere le tendenze e controllare sia l'ottimizzazione che la correzione dei guasti.

Esempi di questi sistemi sono nelle industrie di raffinazione del petrolio e di produzione dell'acciaio.

Consulenza sulla conoscenza

La funzione principale di questa applicazione è fornire informazioni significative sul problema dell'utente, all'interno dell'ambiente di quel problema.

Appartengono a questa categoria i due sistemi esperti più diffusi nel mondo.

Il primo di questi sistemi è un advisor che consiglia l'utente sull'uso corretto della grammatica in un testo.

Il secondo è un consulente fiscale che è collegato a un sistema per la preparazione delle imposte. Consiglia l'utente sulla strategia e sulle politiche fiscali particolari.

Riferimenti

1. Guru99 (2019). Sistema esperto in intelligenza artificiale: cos'è, applicazioni, esempio. Tratto da: guru99.com.
2. Wikipedia, l'enciclopedia libera (2019). Sistema esperto. Tratto da: en.wikipedia.org.
3. Margaret Rouse (2019). Sistema esperto. Techtarget. Tratto da: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Sistema esperto. Encyclopaedia Tratto da: britannica.com.
5. Wtec (2019). Le applicazioni dei sistemi esperti. Tratto da: wtec.org.
6. Viral Nagori (2014). Tipi di sistema esperto: studio comparativo. Studioso semantico Tratto da: pdfs.semanticscholar.org.
7. World of Computing (2010). Sistemi esperti. Tratto da: intelligence.worldofcomputing.net.