Jak implementovat expertní systém v umělé inteligenci?

Expert System In je pojem, který obíhá technologický svět a ze všech dobrých důvodů. V tomto článku se budeme podrobně zabývat tímto tématem.

V tomto článku se budeme zabývat následujícími ukazateli,

• Co je to umělá inteligence?
• Expertní systém v oblasti umělé inteligence
• Domény, kde se používají systémy Expert
• Hlavní oblasti použití
• Tři fáze navrhování ES
• Klady Nevýhody a omezení

Pojďme tedy začít s tímto článkem,

Co je to umělá inteligence?

Normálně název Umělá inteligence naznačuje Inteligenci stroje, který je umělý. Inteligence, kterou má člověk, je známá jako lidská inteligence, stejně jako inteligence předváděná strojem je známá jako umělá inteligence. V počítačové vědě. Umělá inteligence (AI), někdy nazývaná strojová inteligence. Výzkumná oblast umělé inteligence se zrodila na workshopu na Dartmouth College v roce 1956.

co je indexof v JavaScriptu

Aplikace umělé inteligence v reálném světě:

Chatboty jako SIRI, CORTANA, které si v dnešní době získaly tolik popularity. Další příklady, jako je EVA (Electronic Virtual Assistant), chatbot založený na AI vyvinutý výzkumným oddělením bank HDFC bank, který může shromažďovat znalosti z tisíců zdrojů a poskytovat jednoduché odpovědi za méně než 0,4 sekundy. Existuje tolik příkladů aplikací AI, které najdete v různých oblastech naší společnosti.

Pokračujeme s tímto expertním systémem v oblasti umělé inteligence,

Expertní systém v oblasti umělé inteligence

Co je to expertní systém?

Výzkumní pracovníci Standford University, oddělení informatiky zavedli tuto doménu AI a jedná se o významnou oblast výzkumu AI. Jedná se o počítačovou aplikaci, která dokáže vyřešit nejsložitější problémy jakékoli konkrétní domény. Je považován za na nejvyšší úrovni lidské inteligence a odbornosti, protože je založen na znalostech získaných od odborníka. Expertní systém lze také definovat jako počítačový rozhodovací systém, který dokáže řešit složité rozhodovací problémy pomocí faktů i heuristiky.

Pokračujeme s tímto expertním systémem v oblasti umělé inteligence,

Domény, kde se používají systémy Expert

Expertní systémy dnes

Americká lékařská asociace schválila první expertní systém, kterým byl systém Pathfinder. Byla postavena na Standfordské univerzitě v roce 1980 pro diagnostiku hematopatologie. Tento expertně teoretický systém rozhodování ve zkratce Pathfinder dokáže diagnostikovat onemocnění lymfatických uzlin. Nakonec se zabývá více než 60 nemocemi a dokáže rozpoznat více než 100 příznaků.

Expertní systém v podnikání

Nedávno vyvinutý expertní systém ROSS, právník AI, ROSS je samoučící se systém, který využívá dolování dat, rozpoznávání vzorů, hluboké učení a zpracování přirozeného jazyka k napodobování způsobu fungování lidského mozku.

Pokračujeme s tímto expertním systémem v oblasti umělé inteligence,

Hlavní oblasti použití

• Interpretace - vyvozování závěrů na vysoké úrovni na základě údajů.
• Predikce - projekce pravděpodobných výsledků.
• Diagnostika - určení příčiny poruch, nemoci atd.
• Design -býtnding nejlepší konfigurace na základě kritérií.
• Plánování - navrhování řady akcí k dosažení cíle.
• Monitorování - porovnání pozorovaného chování s očekávaným chováním.
• Ladění a oprava - předepisování a implementace nápravných opatření.
• Výuka - pomoc studentům při učení.
• Řízení - řízení chování systému.

Účel expertního systému

Hlavním účelem expertního systému je získat znalosti lidských odborníků a replikovat tyto znalosti a dovednosti lidského odborníka v konkrétní oblasti. Poté systém použije tyto znalosti a dovednosti k řešení složitých problémů dané konkrétní oblasti bez účasti lidských odborníků.

Charakteristika expertních systémů

• Vysoký výkon
• Srozumitelný
• Spolehlivý
• Vysoce citlivý

Hlavní součásti systému založeného na pravidlech nebo expertů

Hlavní součásti jsou:

• Znalostní báze
• Pracovní paměť
• Inferenční engine
• Vysvětlující systém
• Uživatelské rozhraní
• Editor znalostní báze

Pokračujeme s tímto expertním systémem v oblasti umělé inteligence,

Tři fáze navrhování ES

Získávání znalostí:

Proces získávání znalostí od odborníků rozhovorem nebo pozorováním lidských odborníků, čtením konkrétních knih atd.

Znalostní databáze:

Znalostní základna je kontejnerem vysoce kvalitních znalostí. Dovednosti se rozvíjejí praxí a inteligence vychází ze znalostí bez znalostí, které člověk nedokáže prokázat nebo nemůže ukázat svoji inteligenci, takže znalosti jsou velmi důležité pro rozvoj dovedností a projevení inteligence. Stejně tak je zapotřebí, aby i stroj vykazoval svoji inteligenci. Přesnost predikce a také výkonnost systému do značné míry závisí na shromažďování dokonalých, přesných a přesných znalostí.

Co jsou to znalosti?

Znalosti jsou data nebo informace. Pro nás lidskou bytost čtením článků a čtením knih nebo z různých zdrojů, které jsme používali ke shromažďování znalostí, pokud vidíme proces získávání a obohacování znalostí, pak zjistíme, že čtením knih nebo čtením článků nebo z jakýchkoli zdrojů jsme načítání a získávání dat a informací z různých zdrojů, které jsme pak používali k ukládání do našeho mozku. Takže znalosti jsou data, znalosti jsou informace. Znalosti jsou také sbírkou faktů.

Data, informace a minulé zkušenosti se společně nazývají znalostmi.

Reprezentace znalostí:

Reprezentace znalostí je metoda výběru nejvhodnějších struktur pro reprezentaci znalostí. Jedná se o metodu organizace a formalizace znalostí ve znalostní bázi. Dělá se to ve formě pravidel IF-THEN-ELSE.

Ověření znalostí:

Testování znalostí ES je správné a úplné.Celý tento proces se nazývá znalostní inženýrství.

Inference Engine:

V případě ES založeného na znalostech získává Inference Engine a manipuluje se znalostmi ze znalostní základny, aby dospěl ke konkrétnímu řešení.

V případě ES založeného na pravidlech,

• Pravidla opakovaně uplatňuje na fakta, která jsou získána z dřívější aplikace pravidel.
• V případě potřeby doplnění nových znalostí do znalostní základny.
• Řeší konflikt pravidel, pokud je v konkrétním případě použitelné více pravidel.

Inference Engine používá následující strategie a minus

• Dopředu řetězení
• Zpětné řetězení

Dopředu řetězení

final konečně finalizovat v Javě

Ve Forward Chaining dává Inference Engine výsledek sledováním řetězce podmínek a odvozenin. Bez ohledu na to, jaké znalosti jsou v systému vloženy, projde všemi těmito znalostmi a fakty a seřadí je před uzavřením řešení. Metodou dopředného řetězení se expertní systém snaží odpovědět: „Co se může stát dál?“

Aplikace forwardového řetězení: Predikce cen domů, predikce akcií, predikce akciového trhu atd.

Zpětné řetězení

Když se něco stalo v určité doméně, pokusí se Inference Engine zjistit, která podmínka se pro tento výsledek mohla stát v minulosti. Metodou zpětného řetězení se expertní systém snaží odpovědět: „Proč se to stalo?“. Metodou zpětného řetězení se odvozovací modul pokouší zjistit příčinu nebo důvod.

Například: diagnóza rakoviny krve u lidí.

Klady Nevýhody a omezení

Výhody systému Expert

1. Uchovávejte obrovské množství informací
2. Minimalizujte náklady na školení zaměstnanců
3. Centralizujte rozhodovací proces
4. Zefektivněte věci zkrácením času potřebného k řešení problémů
5. Kombinujte různé lidské expertní inteligence
6. Snižte počet lidských chyb
7. Poskytují strategické a srovnávací výhody, které mohou konkurentům způsobit problémy
8. Podívejte se na transakce, které lidské experty nemusí napadnout
9. Poskytněte odpovědi na rozhodnutí, procesy a úkoly, které se opakují

Nevýhody expertního systému:

1. Nedostatek kreativních reakcí, kterých jsou lidé schopni
2. Není schopen vysvětlit logiku a odůvodnění rozhodnutí
3. Není snadné automatizovat složité procesy
4. Neexistuje žádná flexibilita a schopnost přizpůsobit se měnícím se prostředím
5. Není schopen rozpoznat, když není odpověď
6. Při rozhodování se nepoužívá zdravý rozum

Omezení:

• Nedělá kreativní odpovědi, protože jde o stroj.
• Pokud údaje, které byly vloženy do znalostní báze, nejsou přesné nebo správné, poskytnou nesprávné předpovědi a nesprávné výsledky.
• Náklady na údržbu expertního systému jsou vysoké.
• Když přijdou různé problémy, lidský expert může poskytnout různá různá řešení a kreativní reakce, ale expertní systém nedokáže poskytnout kreativní odpovědi.

Tím se dostáváme na konec tohoto článku o Expertních systémech v umělé inteligenci.

Pokud se chcete zaregistrovat na kompletní kurz umělé inteligence a strojového učení, Edureka má speciálně připravený kurz díky nimž zvládnete techniky, jako je supervidované učení, nekontrolované učení a zpracování přirozeného jazyka. Zahrnuje školení o nejnovějších pokrokech a technických přístupech v oblasti umělé inteligence a strojového učení, jako je Deep Learning, Graphical Models a Reinforcement Learning.