专家系统：历史，特征，优点，缺点 - 技术 - 2025

该专家系统被定义为模拟在某一特定领域的人类专家的决策能力的系统。他们使用启发式策略和事实来可靠，交互地解决复杂的决策问题。

它们旨在解决高度复杂的问题，并通过知识库进行推理。它们基本上不是由过程代码表示，而是由If-Then规则表示。

资料来源：foto.com

他们能够表达自己并对某些知识领域做出推理，这使他们能够解决通常需要人类专家才能解决的许多问题。专家系统是当今人工智能，深度学习和机器学习系统的前身。

专家系统无法代替工人在故障排除方面的整体表现。但是，它们可以大大减少个人解决问题所必须完成的工作量，而将解决问题的创造性和创新性留给人们。

它们在许多行业中发挥了重要作用，例如金融服务，电信，医疗保健，客户服务，视频游戏和制造业。

系统容量

专家系统包含两个子系统：一个知识库，其中包含累积的事实和经验；一个推理引擎，该推理引擎是一组规则，适用于每种特定情况下的知识库或已知事实，以便推断出新的事实。行为。

可以通过添加知识库或规则集来增强系统功能。

例如，当今的专家系统也可能具有自动学习的能力，从而像人类一样，可以根据经验来提高性能。

此外，现代系统可以更轻松地合并新知识，从而轻松进行更新。这样的系统可以从现有知识中更好地进行概括，并处理大量复杂数据。

历史

-初步发展

在1950年代后期，实验开始了使用计算机技术来模仿人类决策的可能性。例如，开始创建用于医学诊断应用的计算机辅助系统。

这些初始诊断系统将患者症状和实验室测试结果输入系统，从而产生诊断结果。这些是专家系统的第一种形式。

-主要发展

在六十年代初期，开发了解决明确定义的问题的程序。例如，游戏或机器翻译。

这些程序需要智能推理技术来处理所提出的逻辑和数学问题，但是它们不需要太多的额外知识。

研究人员开始意识到，要解决许多有趣的问题，程序不仅必须能够解释问题，而且还需要基本知识才能充分理解它们。

这逐渐导致了专家系统的发展，而专家系统更侧重于知识。

专家系统的概念由美国斯坦福大学教授Edward Feigenbaum于1965年正式提出。

Feigenbaum解释说，由于新的处理器技术和计算机体系结构，世界正在从数据处理转向知识处理。

登德拉

在1960年代后期，开发了第一个专家系统之一，称为Dendral，用于分析化学化合物。

Dendral的知识包括数百种描述化合物相互作用的规则。这些规则是化学家和计算机科学家之间多年合作的结果。

-成熟度

专家系统在1980年代开始激增。许多《财富》 500强公司在其日常业务活动中都采用了该技术。

在1990年代，许多业务应用程序供应商（例如Oracle和SAP）将专家系统功能集成到他们的产品套件中，以此来解释业务逻辑。

特点

- 经验等级

专家系统必须提供最高水平的专业知识。提供高效，精确和富有想象力的问题解决方案。

-准时反应

用户在相当合理的时间内与专家系统进行交互。这种交互的时间必须少于专家为同一问题获得最精确解决方案所花费的时间。

-可靠性

专家系统必须具有良好的可靠性。为此，您一定不要犯任何错误。

-有效机制

专家系统必须具有有效的机制来管理其中存在的知识纲要。

-处理问题

专家系统必须能够处理具有挑战性的问题，并做出正确的决定以提供解决方案。

- 组件

知识库

它是与系统经验范围相对应的有组织的数据集合。

通过与人类专家的访谈和观察，必须掌握构成知识库的事实。

推理机

通过规则解释和评估知识库中的事实，以便提供建议或结论。

这些知识以If-Then生产规则的形式表示：“如果条件为真，则可以得出以下推论。”

结论

通常，每个生产规则的结论和最终建议都附有概率因素，因为得出的结论不是绝对确定的。

例如，用于眼病诊断的专家系统可以根据提供的信息指示某人患有青光眼的可能性为90％。

同样，可以显示得出结论的规则顺序。监视此链有助于评估建议的可信度，并且可用作学习工具。

种类

基于规则

在该系统中，知识表示为一组规则。规则是表达知识的直接而灵活的方式。

该规则由两部分组成：“ If”部分（称为条件）和“ Then”部分（称为推论）。规则的基本语法是：If（condition）Then（deduction）。

基于模糊逻辑

当您想使用诸如“非常少”，“中等难度”，“不是那么老”之类的模糊词语来表达知识时，可以使用模糊逻辑。

此逻辑用于描述不精确的定义。它基于所有事物都以滑动比例描述的思想。

经典逻辑具有两个确定性值：True（1）和False（0）。在模糊逻辑中，所有确定性值都表示为0到1范围内的实数。

模糊逻辑表示基于一定程度的真实性而不是经典逻辑的绝对真实性的知识。

神经元

基于规则的专家系统的好处还结合了神经网络的好处，例如学习，泛化，鲁棒性和并行信息处理。

该系统具有神经知识库，而不是传统知识库。知识作为权重存储在神经元中。

这种组合使神经专家系统可以证明其结论的正确性。

神经元扩散

模糊逻辑和神经网络是用于构建专家系统的补充工具。

模糊系统缺乏学习能力，无法适应新环境。另一方面，尽管神经网络可以学习，但其过程对于用户而言却非常复杂。

神经模糊系统可以将神经网络的计算和学习能力与人类知识的表达和模糊系统的解释能力结合起来。

结果，神经网络变得更加透明，而模糊系统变得具有学习能力。

优点

可用性

由于软件的大量生产，专家系统随时随地都可以使用。

降低风险

公司可以在对人类有危险的环境中运行专家系统。它们可以在人类无法工作的任何危险环境中使用。

商业知识

与公司中个人的知识相比，它们可以成为发展组织知识的工具。

答案说明

他们能够对自己的决策做出充分的解释，详细表达得出答案的原因。

当用作培训工具时，它们为初学者带来了更快的学习速度。

快速回答

有助于获得快速准确的答案。专家系统比人类专家快得多地完成其任务共享。

错误率低

成功的专家系统的错误率非常低，有时远低于同一任务的人为错误率。

无情的回应

专家系统可以正常工作。他们不会紧张，疲劳或慌张，在紧急情况下可以稳定地工作。

知识持久性

专家系统可维护大量信息。这些包含的知识将无限期地持续下去。

快速成型

使用专家系统，可以在几天内输入一些规则并开发原型，而不是通常与复杂IT项目相关的几个月或几年。

多种经验

可以将专家系统设计为包含许多合格专家的知识，从而具有解决复杂问题的能力。

这减少了咨询专家问题解决顾问的费用。它们是获取难以获得的知识资源的工具。

缺点

知识获取

对于任何软件应用程序来说，始终很难获得特定领域专家的时间，但是对于专家系统而言，这尤其困难，因为组织高度重视专家并不断要求专家。

结果，近年来，大量研究集中在获取知识的工具上，这些工具有助于自动化设计，调试和维护专家定义的规则的过程。

系统整合

对于第一批专家系统来说，将系统与数据库进行集成是困难的，因为这些工具主要是企业环境中未知的语言和平台。

结果，付出了巨大的努力将专家系统工具与遗留环境集成在一起，从而转移到更多标准平台上。

这些问题主要是通过范式转换解决的，因为PC在计算环境中逐渐被视为开发严肃的业务系统的合法平台。

处理复杂度

知识库的大小增加会增加处理的复杂性。

例如，如果一个专家系统有1亿条规则，那么显然它太复杂了，它将面临许多计算问题。

推理引擎必须能够处理大量规则才能做出决定。

当规则太多时，也很难验证这些决策规则是否相互一致。

很难优先考虑规则的使用以更有效地运作，或者如何解决歧义。

知识更新

与知识库有关的一个问题是如何快速有效地进行更新。另外，如何添加新知识，即在那么多规则中的何处添加新知识。

应用领域

诊断和故障排除

它总结了所有故障推断系统，并提出了针对故障过程或设备的纠正措施。

应用专家系统技术的第一个知识领域是医学诊断。但是，工程系统诊断很快胜过医学诊断。

诊断可以表示为：给定提供的证据，潜在的问题，原因或原因是什么？

计划和安排

这些专家系统分析一组目标，以确定实现这些目标的一组行动，并在考虑材料，人员和其他限制的情况下，随时间提供这些行动的详细顺序。

示例包括航空公司人员配备和航班计划以及制造过程计划。

财务决定

已经创建了财务咨询系统，以帮助银行家确定是否向个人和公司贷款。

保险公司使用这些专家系统来评估客户带来的风险，从而确定保险价格。

过程监控

他们实时分析来自物理设备的数据，以发现异常，预测趋势并控制优化和故障纠正。

这些系统的例子在炼油和炼钢行业中。

知识咨询

该应用程序的主要功能是在问题的环境内提供对用户问题的有意义的洞察力。

在世界范围内分布最广泛的两个专家系统属于此类别。

这些系统中的第一个是顾问，可指导用户正确使用文本中的语法。

第二个是税务顾问，他附属于准备税的系统。为用户提供有关策略和特定税收政策的建议。

参考文献

1. Guru99（2019）。人工智能专家系统：什么是应用程序，示例。摘自：guru99.com。
2. 维基百科，免费百科全书（2019）。专业系统。摘自：en.wikipedia.org。
3. 玛格丽特·劳斯（Margaret Rouse）（2019）。专业系统。技术目标。摘自：searchenterpriseai.techtarget.com。
4. 弗拉基米尔·兹瓦斯（Vladimir Zwass）（2019）。专业系统。百科全书取自：britannica.com。
5. Wtec（2019）。专家系统的应用。摘自：wtec.org。
6. 病毒长g（2014）。专家系统的类型：比较研究。语义学者取自：pdfs.semanticscholar.org。
7. 《计算世界》（2010年）。专家系统。摘自：Intelligence.worldofcomputing.net。