Historique des systèmes experts, caractéristiques, avantages, inconvénients

Les systèmes experts Ils sont définis comme des systèmes informatiques qui imitent la capacité de prise de décision d'un expert humain dans un domaine particulier. Ils utilisent à la fois des stratégies heuristiques et des faits pour résoudre des problèmes de prise de décision complexes de manière fiable et interactive.

Ils sont conçus pour résoudre des problèmes de grande complexité, raisonnement à travers les bases de connaissances. Au lieu d'être représentés avec un code basé sur les procédures, ils le font essentiellement avec les règles de Si-puis.

Source: Pixabay.com

Ils sont capables de s'exprimer et de raisonner sur un domaine des connaissances, ce qui leur permet de résoudre de nombreux problèmes qui nécessiteraient généralement un expert humain. Les systèmes experts étaient les prédécesseurs des systèmes d'intelligence artificielle actuels, l'apprentissage en profondeur et l'apprentissage automatique.

Un système expert ne peut pas remplacer les performances générales d'un travailleur dans la tâche de résolution de problèmes. Cependant, ils peuvent réduire considérablement la quantité de travail que l'individu doit faire pour résoudre un problème, laissant aux gens les aspects créatifs et innovants de la résolution de problèmes.

Ils ont joué un rôle important dans de nombreuses industries, telles que les services financiers, les télécommunications, les soins médicaux, le service client, les jeux vidéo et la fabrication.

[TOC]

Capacité du système

Un système expert intègre deux sous-systèmes: une base de connaissances, qui contient des faits et de l'expérience accumulés, et un moteur d'inférence, qui est un ensemble de règles à appliquer à la base de connaissances ou aux faits connus dans chaque situation particulière, afin de déduire de nouveaux faits.

Les capacités du système peuvent être améliorées avec des ajouts à la base de connaissances ou à l'ensemble des règles.

Par exemple, les systèmes d'experts d'aujourd'hui peuvent également avoir la capacité d'apprendre automatiquement, permettant d'améliorer leurs performances en fonction de l'expérience, comme le font les humains.

De plus, les systèmes modernes peuvent intégrer plus facilement de nouvelles connaissances et donc être mis à jour simplement. Ces systèmes peuvent mieux généraliser à partir des connaissances existantes et gérer de grandes quantités de données complexes.

Histoire

- Développements initiaux

À la fin des années 1950, la possibilité d'utiliser la technologie informatique pour imiter la décision de la prise d'humains a commencé à être expérimentée. Par exemple, les systèmes assistés par ordinateur ont commencé à être créés pour des applications de diagnostic en médecine.

Ces systèmes de diagnostic initiaux sont entrés dans les symptômes des patients et les résultats des tests de laboratoire pour générer un diagnostic en conséquence. Ce sont les premières formes de systèmes d'experts.

- Développements principaux

Au début des années 60, des programmes ont été élaborés qui ont bien résolu des problèmes définis. Par exemple, des jeux ou des traductions automatiques.

Ces programmes nécessitaient des techniques de raisonnement intelligent pour gérer les problèmes logiques et mathématiques qui ont été présentés, mais n'ont pas nécessité beaucoup de connaissances supplémentaires.

Les chercheurs ont commencé à avertir que pour résoudre de nombreux problèmes intéressants, les programmes devaient non seulement être en mesure d'interpréter les problèmes, mais avaient également besoin de connaissances de base pour les comprendre complètement.

Cela a progressivement conduit au développement de systèmes experts, qui se concentraient davantage sur les connaissances.

Le concept de systèmes experts a été officiellement développé en 1965 par Edward Feigenbaum, professeur à l'Université de Stanford, EE.Uu.

Feigenbaum a expliqué que le monde passait du traitement des données au traitement des connaissances, grâce à la technologie de nouveaux processeurs et architectures informatiques.

Dendral

À la fin des années 60, l'un des premiers systèmes d'experts a été développé, appelé Dendral, abordant l'analyse des composés chimiques.

Les connaissances de Dendral consistaient en des centaines de règles qui décrivaient les interactions des composés chimiques. Ces règles sont le résultat d'années de collaboration entre les produits chimiques et l'ordinateur.

Peut vous servir: Tolérances géométriques: symboles, données et exemples

- Maturité

Les systèmes experts ont commencé à proliférer dans les années 80. Un grand nombre de sociétés Fortune 500 ont appliqué cette technologie dans leurs activités commerciales quotidiennes.

Dans les années 1990, de nombreux fournisseurs d'applications d'entreprise, comme Oracle et SAP, ont intégré les capacités des systèmes experts dans leurs produits, comme un moyen d'expliquer la logique commerciale.

Caractéristiques

- Niveau d'expérience

Un système expert doit offrir le plus haut niveau d'expérience. Fournit l'efficacité, la précision et la résolution imaginative des problèmes.

- Réaction à temps

L'utilisateur interagit avec le système expert pendant une période de temps assez prudentielle. Le temps de cette interaction doit être inférieur au moment où pour le même problème, un expert est pris pour atteindre la solution la plus précise.

- Fiabilité

Le système expert doit avoir une bonne fiabilité. Pour ce faire, vous ne devez faire aucune erreur.

- Mécanisme efficace

Le système expert doit avoir un mécanisme efficace pour administrer le recueil des connaissances existantes.

- Gérer les problèmes

Un système expert doit être en mesure de gérer des problèmes difficiles et de prendre les bonnes décisions pour fournir des solutions.

- Composants

Base de connaissances

Il s'agit d'une collection de données organisée correspondant au système d'expérience système.

Grâce aux entretiens et aux observations aux experts humains, les faits qui composent la base de connaissances doivent être pris.

Moteur d'inférence

Interpréter et évaluer les faits dans la base de connaissances par le biais de règles, afin de fournir une recommandation ou une conclusion.

Cette connaissance est représentée sous la forme de règles de production SI-Even: "Si une condition est vraie, alors la déduction suivante peut être effectuée".

Conclusions

Un facteur de probabilité est souvent attaché à la conclusion de chaque règle de production et de la recommandation finale, car la conclusion atteinte n'est pas une certitude absolue.

Par exemple, un système expert pour le diagnostic des maladies oculaires pourrait indiquer, selon les informations fournies, qu'une personne a un glaucome avec une probabilité de 90%.

De plus, la séquence de règles peut être montrée à travers laquelle la conclusion a été atteinte. La surveillance de cette chaîne aide à évaluer la crédibilité de la recommandation et est utile comme outil d'apprentissage.

Gars

En fonction des règles

Dans ce système, la connaissance est représentée comme un ensemble de règles. La règle est une manière directe et flexible d'exprimer des connaissances.

La règle se compose de deux parties: la partie «oui», appelée condition, et la partie «alors», appelée déduction. La syntaxe de base d'une règle est: oui (condition) alors (déduction).

Basé sur la logique diffuse

Lorsque vous voulez exprimer des connaissances en utilisant des mots vagues comme "très petit", "modérément difficile", "pas si vieux", la logique diffuse peut être utilisée.

Cette logique est utilisée pour décrire une définition inexacte. Il est basé sur l'idée que toutes choses sont décrites à une échelle variable.

La logique classique fonctionne avec deux valeurs de certitude: true (1) et false (0). Dans la logique diffuse, toutes les valeurs de certitude sont exprimées avec des nombres réels dans l'intervalle entre 0 et 1.

La logique diffuse représente des connaissances basées sur un degré de véracité, au lieu de la véracité absolue de la logique classique.

Neuronal

Avec les avantages du système expert basé sur les règles, les avantages du réseau neuronal sont également combinés, tels que l'apprentissage, la généralisation, la solidité et le traitement parallèle de l'information.

Il peut vous servir: Topologies de réseau: concept, types et leurs caractéristiques, exemples

Ce système a une base de connaissances neuronale, au lieu de la base de connaissances traditionnelle. Les connaissances sont stockées en pesos dans les neurones.

Cette combinaison permet au système d'experts neuronaux de justifier ses conclusions.

Difuso neuronal

La logique diffuse et les réseaux de neurones sont des outils complémentaires pour créer des systèmes d'experts.

Les systèmes diffus n'ont pas la capacité d'apprendre et ne peuvent pas s'adapter à un nouvel environnement. D'un autre côté, bien que les réseaux de neurones puissent apprendre, leur processus est très compliqué pour l'utilisateur.

Les systèmes de diffusion neuronale peuvent combiner les capacités informatiques et d'apprentissage du réseau neuronal avec la représentation des connaissances humaines et les compétences d'explication des systèmes diffus.

En conséquence, les réseaux de neurones deviennent plus transparents, tandis que le système diffus devient capable d'apprendre.

avantage

Disponibilité

Les systèmes d'experts sont facilement disponibles, n'importe où et à tout moment, en raison de la production de masse du logiciel.

Risque réduit

Une entreprise peut exploiter un expert dans des environnements dangereux pour les humains. Ils peuvent être utilisés dans n'importe quel environnement de risque où les humains ne peuvent pas fonctionner.

Connaissance des affaires

Ils peuvent devenir un véhicule pour développer des connaissances organisationnelles, contrairement à la connaissance des individus d'une entreprise.

Explication de la réponse

Ils sont en mesure de donner une explication adéquate de leur prise de décision, exprimant en détail le raisonnement qui les a conduits à une réponse.

Lorsqu'ils sont utilisés comme outils de formation, ils se traduisent par une courbe d'apprentissage plus rapide pour les débutants.

Réponse rapide

Aider à obtenir des réponses rapides et précises. Un système d'experts peut effectuer sa partie des tâches beaucoup plus rapidement qu'un expert humain.

Faible taux d'erreur

Le taux d'erreur des systèmes d'experts réussis est assez faible, parfois beaucoup plus bas que le taux d'erreur de l'être humain pour la même tâche.

Réponse sans émotions

Les systèmes experts fonctionnent sans s'exciter. Ils ne mettent pas le temps, la fatigue ou la panique et fonctionnent constamment pendant les situations d'urgence.

Permanence des connaissances

Le système expert maintient un niveau d'information significatif. Ce contenu des connaissances durera indéfiniment.

Création de prototypes rapides

Avec un système d'experts, il est possible de saisir certaines règles et de développer un prototype en jours, au lieu des mois ou des années généralement associés à des projets informatiques complexes.

Expériences multiples

Le système d'experts peut être conçu pour contenir les connaissances de nombreux experts qualifiés et a donc la capacité de résoudre des problèmes complexes.

Cela réduit les dépenses pour recourir à des consultants experts pour la résolution de problèmes. Ils sont un véhicule pour obtenir des sources de connaissances difficiles à obtenir.

Désavantages

Acquisition de connaissances

Il est toujours difficile d'obtenir l'heure des experts dans des domaines particuliers pour toute application logicielle, mais pour les systèmes d'experts, il est particulièrement difficile, car les experts sont très appréciés et constamment demandés par les organisations.

En conséquence, une grande quantité de recherches ces dernières années s'est concentrée sur des outils pour l'acquisition de connaissances, qui aident à automatiser le processus de conception, de purification et de maintenance des règles définies par les experts.

Systeme d'intégration

L'intégration des systèmes avec les bases de données a été difficile pour les premiers systèmes experts, car les outils étaient principalement dans des langues et des plateformes inconnues dans les environnements d'entreprise.

Peut vous servir: produit technique

En conséquence, un grand effort a été fait pour intégrer les outils des systèmes experts dans des environnements héréditaires, ce qui rend le transfert vers des plates-formes plus standard.

Ces problèmes ont été résolus principalement par le changement de paradigme, car les PC ont été progressivement acceptés dans l'environnement informatique comme une plate-forme légitime pour le développement de systèmes commerciaux sérieux.

Complexité de traitement

En augmentant la taille de la base de connaissances, la complexité du traitement augmente.

Par exemple, si un système d'experts a 100 millions de règles, il est évident qu'il serait trop complexe et serait confronté à de nombreux problèmes de calcul.

Un moteur d'inférence devrait être en mesure de traiter un grand nombre de règles pour prendre une décision.

Lorsqu'il y a trop de règles, il est également compliqué que ces règles de décision soient cohérentes les unes avec les autres.

Il est également compliqué de hiérarchiser l'utilisation des règles pour fonctionner plus efficacement, ou comment résoudre les ambiguïtés.

Mise à jour des connaissances

Un problème lié à la base de connaissances est de savoir comment effectuer des mises à jour rapidement et efficacement. De plus, comment ajouter une nouvelle connaissance, c'est-à-dire où l'ajouter parmi tant de règles.

Applications

Diagnostic et résolution de problèmes

Il résume tous les systèmes qui déduisent les échecs et suggèrent des actions correctives pour un processus ou un appareil qui fonctionne mal.

L'un des premiers domaines des connaissances où la technologie des systèmes experts a été appliquée était le diagnostic médical. Cependant, le diagnostic des systèmes d'ingénierie a rapidement dépassé le diagnostic médical.

Le diagnostic peut être exprimé comme suit: Compte tenu de la preuve qui survient, quel est le problème, la raison ou la cause sous-jacente?

Planification et programmation

Ces systèmes d'experts analysent un ensemble d'objectifs pour déterminer un ensemble d'actions qui atteignent ces objectifs, fournissant un ordre détaillé de ces actions au fil du temps, en considérant les documents, le personnel et d'autres restrictions.

Les exemples incluent la programmation des vols et du personnel des compagnies aériennes et la planification des processus de fabrication.

Décisions financières

Des systèmes de conseils financiers ont été créés pour aider les banquiers à déterminer si les prêts aux particuliers et aux entreprises.

Les compagnies d'assurance utilisent ces systèmes d'experts pour évaluer le risque que le client présente et ainsi déterminer le prix d'assurance.

Surveillance et contrôle des processus

Ils analysent en temps réel les données des appareils physiques, afin de remarquer les anomalies, de prédire les tendances et de contrôler à la fois l'optimisation et la correction des défauts.

Des exemples de ces systèmes se trouvent dans les industries de la fabrication de l'huile et de l'acier.

Conseil du savoir

La fonction principale de cette application est de fournir des connaissances importantes au problème de l'utilisateur, dans l'environnement de ce problème.

À cette catégorie appartiennent les deux systèmes experts qui sont distribués avec une plus grande amplitude dans le monde.

Le premier de ces systèmes est un conseiller qui conseille l'utilisateur sur l'utilisation correcte de la grammaire dans un texte.

Le second est un conseiller fiscal qui est attaché à un système pour préparer les taxes. Conseiller l'utilisateur sur la stratégie et les politiques fiscales particulières.

Les références

1. Guru99 (2019). Intelligence dans le système d'experts artificiels: ce qui est, les applications, l'exemple. Tiré de: Guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Système expert. Pris de: dans.Wikipédia.org.
3. Margaret Rouse (2019). Système expert. Techtarget. Tiré de: Searchenterpriseai.Techtarget.com.
4. Vladimir Zwass (2019). Système expert. Encyclopédie tirée de: Britannica.com.
5. WTEC (2019). Les applications des systèmes experts. Pris de: wtec.org.
6. Viral Nagori (2014). Types de système expert: étude comparative. Chercheur sémantique.Tiré de: PDFS.Sémantiquecholaire.org.
7. World of Computing (2010). Systèmes experts. Tiré de: Intelligence.Worldofcomputing.filet.