Szakértői rendszer olyan kifejezés, amely körbe keríti a technológiai világot és minden jó okból. Ebben a cikkben részletesen megvizsgáljuk ezt a témát.
A következő hivatkozásokkal foglalkozunk ebben a cikkben,
- Mi az a mesterséges intelligencia?
- Szakértői rendszer a mesterséges intelligenciában
- Olyan területek, ahol szakértői rendszereket használnak
- Fő alkalmazási területek
- Az ES tervezésének három szakasza
- Előnyök és hátrányok
Mi az a mesterséges intelligencia?
Nos, a Mesterséges intelligencia elnevezés általában egy mesterséges gép intelligenciáját sugallja. Az emberi intelligencia rendelkezik emberi intelligenciának, ugyanúgy, ahogy a gép által bemutatott intelligencia mesterséges intelligenciának is ismert. A számítástechnikában. Mesterséges intelligencia (AI), amelyet néha gépi intelligenciának is neveznek. A mesterséges intelligencia kutatási területe a Dartmouth Főiskola egyik műhelyében született 1956-ban.
java c ++ python
A mesterséges intelligencia alkalmazásai a való világban:
A csevegőrobotok, mint a SIRI, CORTANA, amelyek manapság annyira népszerűek. További példák, például az EVA (Electronic Virtual Assistant), egy AI-alapú csevegőrobot, amelyet a HDFC bankok AI kutatási osztálya fejlesztett ki, és több ezer forrásból gyűjthet ismereteket, és egyszerű válaszokat adhat kevesebb mint 0,4 másodperc alatt. Nagyon sok példa az AI-alkalmazásokra, amelyeket társadalmunk különböző területein talál.
Tovább haladva ezzel a mesterséges intelligencia szakértői rendszerével,
Szakértői rendszer a mesterséges intelligenciában
Mi az a szakértői rendszer?
A Standford Egyetem Számítástudományi Tanszékének kutatói bevezették az AI ezen területét, és az AI egyik kiemelkedő kutatási területe. Ez egy számítógépes alkalmazás, amely bármely adott terület legösszetettebb problémáit képes megoldani. Az emberi intelligencia és szakértelem legmagasabb szintjén tartják, mivel egy szakértőtől megszerzett ismereteken alapul. Az Expert System úgy is meghatározható, mint számítógépes döntéshozatali rendszer, amely a tények és a heurisztika segítségével egyaránt képes megoldani az összetett döntéshozatali problémákat.
Tovább haladva ezzel a mesterséges intelligencia szakértői rendszerével,
Olyan területek, ahol szakértői rendszereket használnak
Expert Systems ma
Az Amerikai Orvosi Szövetség jóváhagyta az első szakértői rendszert, amely a Pathfinder rendszer volt. 1980-ban építették a Standford Egyetemet a hematopatológiai diagnózis érdekében. Ez a döntés-elméleti szakértői rendszer röviden a Pathfinder segítségével képes diagnosztizálni a nyirokcsomó-betegségeket. Végül több mint 60 betegséggel foglalkozik, és több mint 100 tünetet képes felismerni.
Szakértői rendszer az üzleti életben
A közelmúltban kifejlesztett egy szakértői rendszert, a ROSS-t, az AI-ügyvédet. A ROSS egy önálló tanulási rendszer, amely adatbányászatot, mintafelismerést, mély tanulást és természetes nyelvfeldolgozást használ az emberi agy működésének utánzására.
Tovább haladva ezzel a mesterséges intelligencia szakértői rendszerével,
Fő alkalmazási területek
- Értelmezés - adatok alapján magas szintű következtetések levonása.
- Jóslás - a várható eredmények vetítése.
- Diagnózis - a meghibásodások, a betegségek stb.
- Design -lennia legjobb konfiguráció a kritériumok alapján.
- Tervezés - cselekvéssorozat javaslata a cél elérése érdekében.
- Monitorozás - a megfigyelt viselkedés és a várható viselkedés összehasonlítása.
- Hibakeresés és javítás - jogorvoslatok előírása és végrehajtása.
- Utasítás - a tanulók segítése a tanulásban.
- Kontroll - a rendszer viselkedésének szabályozása.
A szakértői rendszer célja
A szakértői rendszer fő célja az emberi szakértők ismereteinek megszerzése, valamint az emberi szakértők ismereteinek és készségeinek megismétlése egy adott területen. Ezután a rendszer felhasználja ezeket az ismereteket és készségeket az adott terület összetett problémáinak megoldására emberi szakértők részvétele nélkül.
A szakértői rendszerek jellemzői
- Nagy teljesítményű
- Érthető
- Megbízható
- Nagyon érzékeny
A szabályalapú vagy szakértői rendszer fő elemei
A fő elemek a következők:
- Tudásbázis
- Munka memória
- Következtetés motor
- Magyarázó rendszer
- Felhasználói felület
- Tudásbázis-szerkesztő
Tovább haladva ezzel a mesterséges intelligencia szakértői rendszerével,
Az ES tervezésének három szakasza
Tudásszerzés:
A szakértőktől történő ismeretszerzés folyamata interjúkkal vagy emberi szakértők megfigyelésével, meghatározott könyvek olvasásával stb.
Tudásbázis:
A tudásbázis kiváló minőségű ismeretek tárolója. A készségek a gyakorlat során fejlődnek, és az intelligencia tudásból származik, tudás nélkül nem lehet bizonyítani, vagy nem lehet megmutatni intelligenciáját, ezért a tudás nagyon fontos a készség fejlesztéséhez és az intelligencia felmutatásához. Hasonlóan, a tudáshoz ugyanúgy szükség van, hogy a gép is megmutassa intelligenciáját. Az előrejelzés pontossága és a rendszer teljesítménye nagymértékben függ a tökéletes, pontos és pontos ismeretek összegyűjtésétől.
Most mi a tudás?
A tudás adat vagy információ. Számunkra, emberi lények számára cikkek olvasásával, könyvek olvasásával vagy különböző forrásokból gyűjtöttük össze az ismereteket, ha percenként láthatjuk az ismeretek megszerzésének és gazdagításának folyamatát, akkor azt fogjuk tapasztalni, hogy könyveket olvasva, cikkeket olvasva vagy bármilyen forrásból adatok és információk beolvasása és kinyerése különböző forrásokból, amelyeket aztán agyunkban tároltunk. Tehát a tudás adat, a tudás információ. A tudás tények összegyűjtése is.
Az adatokat, információkat és a múltbeli tapasztalatokat együtt tudásnak nevezzük.
Tudásábrázolás:
A tudásábrázolás az a módszer, amely a legmegfelelőbb struktúrákat választja ki az ismeretek megjelenítésére. Ez a módszer az ismeretek rendszerezésére és formalizálására a tudásbázisban. IF-THEN-MÁS szabályok formájában történik.
Tudásellenőrzés:
Az ES ismereteinek tesztelése helyes és teljes.Ezt az egész folyamatot tudástechnikának hívják.
Következtetési motor:
Tudásalapú ES esetén az Inference Engine megszerzi és manipulálja az ismereteket a tudásbázisból, hogy egy adott megoldáshoz jusson.
Szabályalapú ES esetén
- A szabályokat ismételten alkalmazza a tényekre, amelyek a szabály korábbi alkalmazásából származnak.
- Új ismeretek hozzáadása a tudásbázishoz, ha szükséges.
- Megoldja a szabályok ütközését, ha egy adott esetre több szabály is alkalmazható.
Az Inference Engine a következő stratégiákat és mínuszt használja
- Előre láncolás
- Visszafelé láncolás
Előre láncolás
Az előre láncolásnál az Inference Engine adja meg az eredményt a feltételek és a levezetések láncolatának követésével. Bármi legyen is az ismeret a rendszerben, az átmegy mindazon tudáson és tényen, és rendezi őket, mielőtt megoldást kötne. Előre láncolásos módszerrel a szakértői rendszer megpróbálja megválaszolni: „Mi történhet ezután?”
Az előrehozott láncolás alkalmazása: Házár-előrejelzés, részvényjóslás, részvénypiaci előrejelzés stb.
Visszafelé láncolás
Amikor valami történt egy adott tartományban, az Inference Engine megpróbálja kideríteni, hogy melyik feltétel történhetett a múltban ennek az eredménynek. Hátraláncolási módszerrel a szakértői rendszer megpróbálja megválaszolni: „Miért történt ez?”. Visszafelé láncolási módszerrel a következtetési motor megpróbálja kideríteni az okot vagy az okot.
adat alapú tesztelés szelénben
Például: vérrák diagnózisa emberben.
Előnyök és hátrányok
A szakértői rendszer előnyei
- Tartson hatalmas mennyiségű információt
- Minimalizálja az alkalmazottak képzési költségeit
- Központosítsa a döntéshozatali folyamatot
- Tegye hatékonyabbá a dolgokat azáltal, hogy csökkenti a problémák megoldásához szükséges időt
- Kombinálja a különféle emberi szakértői intelligenciákat
- Csökkentse az emberi hibák számát
- Stratégiai és komparatív előnyök biztosítása, amelyek problémákat okozhatnak a versenytársak számára
- Nézze át azokat a tranzakciókat, amelyekre az emberi szakértők nem gondolnak
- Válaszokat adjon az ismétlődő döntésekre, folyamatokra és feladatokra
A szakértői rendszer hátrányai:
- Kreatív válaszok hiánya, amelyekre az emberi szakértők képesek
- Nem képes megmagyarázni a döntés hátterét és logikáját
- Nem könnyű automatizálni a bonyolult folyamatokat
- Nincs rugalmasság és képesség a változó környezetekhez való alkalmazkodáshoz
- Nem képes felismerni, ha nincs válasz
- Nincs józan ész a döntések meghozatalához
Korlátozások:
- Nem sikerül kreatív válaszokat adni, mivel ez egy gép.
- Ha a tudásbázisba betöltött adatok nem pontosak vagy helyesek, akkor rossz előrejelzéseket és hibás eredményeket ad.
- A szakértői rendszer karbantartási költsége magas.
- Ha különböző problémák jelentkeznek, az emberi szakértő különböző megoldásokat és kreatív válaszokat adhat, de a szakértői rendszer nem ad kreatív válaszokat.
Ezzel eljutottunk a mesterséges intelligencia szakértői rendszereiről szóló cikkünk végéhez.
Ha be akar jelentkezni a mesterséges intelligencia és a gépi tanulás teljes tanfolyamára, az Edureka speciálisan kurátora van amellyel jártas lesz az olyan technikákban, mint a felügyelt tanulás, a felügyelet nélküli tanulás és a természetes nyelv feldolgozása. Képzést tartalmaz a mesterséges intelligencia és a gépi tanulás legújabb fejleményeiről és technikai megközelítéseiről, például a mély tanulásról, a grafikus modellekről és a megerősítő tanulásról.