SISTEMES EXPERTS: HISTÒRIA, CARACTERÍSTIQUES, AVANTATGES, DESAVANTATGES - TECNOLOGIA - 2025

Els sistemes experts es defineixen com a sistemes informàtics que emulen la capacitat de presa de decisions d'un expert humà en un àmbit particular. Utilitzen tant estratègies heurístiques com fets per resoldre problemes complexos de presa de decisions de forma fiable i interactiva.

Estan dissenyats per a resoldre problemes d'alta complexitat, raonant a través de bases de coneixement. En lloc d'representar-se amb un codi basat en procediments, ho fan bàsicament amb regles Si-Llavors.

Font: pixabay.com

Són capaços d'expressar-se i raonar sobre algun àmbit de coneixement, el que els permet resoldre molts problemes que generalment requeririen d'un expert humà. Els sistemes experts van ser els predecessors dels sistemes actuals d'intel·ligència artificial, aprenentatge profund i aprenentatge automàtic.

Un sistema expert no pot substituir l'acompliment general d'un treballador en la tasca de resolució de problemes. No obstant això, poden reduir dràsticament la quantitat de treball que l'individu ha de fer per resoldre un problema, deixant a les persones els aspectes creatius i innovadors de la resolució de problemes.

Han jugat un paper important en moltes indústries, com ara serveis financers, telecomunicacions, atenció mèdica, servei a el client, videojocs i manufactura.

Capacitat de sistema

Un sistema expert incorpora dos subsistemes: una base de coneixements, que conté fets i experiència acumulada, i un motor d'inferència, que és un conjunt de regles per aplicar a la base de coneixement o fets coneguts en cada situació particular, per així deduir nous fets.

Les capacitats de sistema es poden millorar amb addicions a la base de coneixement o a el conjunt de regles.

Per exemple, Els sistemes experts d'avui en dia poden tenir també l'habilitat d'aprendre de forma automàtica, permetent millorar el seu acompliment en funció de l'experiència, tal com ho fan els humans.

A més, els sistemes moderns poden incorporar nous coneixements més fàcilment i així actualitzar senzillament. Tals sistemes poden generalitzar millor a partir d'el coneixement existent i manejar grans quantitats de dades complexes.

història

- Desenvolupaments inicials

A fins de la dècada de 1950 es va començar a experimentar amb la possibilitat d'usar tecnologia informàtica per emular la presa de decisions dels humans. Per exemple, es van començar a crear sistemes assistits per ordinador per a aplicacions de diagnòstic en medicina.

Aquests sistemes inicials de diagnòstic ingressaven a el sistema els símptomes dels pacients i els resultats de les proves de laboratori per generar un diagnòstic com a resultat. Aquestes van ser les primeres formes de sistemes experts.

- Principals desenvolupaments

Al començament dels seixanta van ser desenvolupats programes que resolien problemes ben definits. Per exemple, jocs o traduccions automàtiques.

Aquests programes requerien tècniques de raonament intel·ligent per manejar els problemes lògics i matemàtics que es presentaven, però no requerien molt coneixement addicional.

Els investigadors van començar a advertir que per resoldre molts problemes interessants, els programes no només havien de ser capaços d'interpretar els problemes, sinó que també necessitaven coneixements bàsics per a comprendre'ls completament.

Això va conduir gradualment a el desenvolupament dels sistemes experts, que s'enfocaven més en el coneixement.

El concepte de sistemes experts va ser desenvolupat formalment el 1965 per Edward Feigenbaum, professor de la Universitat de Stanford, EUA

Feigenbaum explicava que el món estava passant de l'processament de dades a el processament de el coneixement, gràcies a la nova tecnologia de processadors i arquitectures informàtiques.

DENDRAL

A la fi dels anys seixanta es va desenvolupar un dels primers sistemes experts, anomenat DENDRAL, abordant l'anàlisi de compostos químics.

El coneixement de DENDRAL consistia en centenars de regles que descrivien les interaccions dels compostos químics. Aquestes regles van ser el resultat d'anys de col·laboració entre químics e informàtics.

- Maduresa

Els sistemes experts van començar a proliferar durant els anys vuitanta. Gran quantitat de les companyies Fortune 500 aplicaven aquesta tecnologia en les seves activitats comercials diàries.

En la dècada de 1990, molts proveïdors d'aplicacions empresarials, com Oracle i SAP, van integrar en el seu conjunt de productes les capacitats dels sistemes experts, com una forma d'explicar la lògica empresarial.

Característiques

- Nivell d'experiència

Un sistema expert ha d'oferir el nivell d'experiència més alt. Proporciona eficiència, precisió i resolució imaginativa dels problemes.

- Reacció a temps

L'usuari interactua amb el sistema expert durant un període de temps prou prudencial. El temps d'aquesta interacció ha de ser menor que el temps que per al mateix problema un expert es pren per aconseguir la solució més precisa.

- Fiabilitat

El sistema expert ha de tenir bona fiabilitat. Per a això, no ha de cometre cap tipus d'error.

- Mecanisme efectiu

El sistema expert ha de tenir un mecanisme eficient per poder administrar el compendi de coneixements existents en ell.

- Maneja problemes

Un sistema expert ha de ser capaç de manejar problemes desafiants i prendre les decisions adequades per brindar solucions.

- Components

Base de coneixement

És una col·lecció organitzada de dades corresponents a l'àmbit d'experiència de sistema.

A través d'entrevistes i observacions a experts humans s'han de prendre els fets que conformen la base de coneixement.

Motor d'inferència

Interpreta i avalua els fets a la base de coneixement a través de regles, per així proporcionar una recomanació o conclusió.

Aquest coneixement es representa en la forma de regles de producció Si-Llavors: «Si una condició és veritable, llavors es pot fer la següent deducció».

conclusions

Sovint s'adjunta un factor de probabilitat a la conclusió de cada regla de producció ia la recomanació final, perquè la conclusió a la qual s'arriba no és una certesa absoluta.

Per exemple, un sistema expert per al diagnòstic de malalties oculars podria indicar, segons la informació proporcionada, que una persona té glaucoma amb una probabilitat de 90%.

A més, es pot mostrar la seqüència de regles a través de les quals es va arribar a la conclusió. El seguiment d'aquesta cadena ajuda a avaluar la credibilitat de la recomanació i és útil com a eina d'aprenentatge.

tipus

Basat en regles

En aquest sistema el coneixement es representa com un conjunt de regles. La regla és una forma directa i flexible d'expressar el coneixement.

La regla consta de dues parts: la part "Si", anomenada condició, i la part "Llavors", anomenada deducció. La sintaxi bàsica d'una regla és: Si (condició) Llavors (deducció).

Basat en lògica difusa

Quan es vol expressar un coneixement utilitzant paraules vagues com «molt reduït», «moderadament difícil», «no tan vell», es pot usar la lògica difusa.

Aquesta lògica s'utilitza per descriure una definició imprecisa. Es basa en la idea que totes les coses es descriuen en una escala variable.

La lògica clàssica opera amb dos valors de certesa: Veritable (1) i Fals (0). En la lògica difusa, tots els valors de certesa s'expressen amb nombres reals dins de l'interval entre 0 i 1.

La lògica difusa representa el coneixement basat en un grau de veracitat, en lloc de la veracitat absoluta de la lògica clàssica.

neuronal

Amb els avantatges de sistema expert basat en regles es combinen també els avantatges de la xarxa neuronal, com l'aprenentatge, la generalització, la solidesa i el processament paral·lel d'informació.

Aquest sistema té una base de coneixement neuronal, en lloc de la base de coneixement tradicional. Els coneixements s'emmagatzemen com pesos en les neurones.

Aquesta combinació permet que el sistema expert neuronal pugui justificar les seves conclusions.

Neuronal-difús

La lògica difusa i les xarxes neuronals són eines complementàries per construir sistemes experts.

Els sistemes difusos no tenen la capacitat d'aprendre i no poden adaptar-se a un nou entorn. D'altra banda, tot i que les xarxes neuronals poden aprendre, el seu procés és molt complicat per a l'usuari.

Els sistemes neuronal-difusos poden combinar les capacitats de computació i aprenentatge de la xarxa neuronal amb la representació de el coneixement humà i les habilitats d'explicació dels sistemes difusos.

Com a resultat, les xarxes neuronals es fan més transparents, mentre que el sistema difús es fa capaç d'aprendre.

avantatges

disponibilitat

Els sistemes experts estan disponibles fàcilment, arreu ia qualsevol hora, a causa de la producció en massa de programari.

risc reduït

Una companyia pot operar un sistema expert en ambients que són perillosos per als humans. Es poden usar en qualsevol entorn de risc on els humans no puguin treballar.

coneixement empresarial

Poden convertir-se en un vehicle per desenvolupar un coneixement organitzacional, en contrast a el coneixement dels individus en una empresa.

Explicació de resposta

Són capaços de donar una explicació adequada de la seva presa de decisió, expressant detalladament el raonament que els va conduir a una resposta.

Quan s'usen com a eines d'entrenament donen com a resultat una corba d'aprenentatge més ràpida per als principiants.

Resposta ràpida

Ajuda a obtenir respostes ràpides i precises. Un sistema expert pot completar la seva part de les tasques molt més ràpid que un expert humà.

Taxa d'error baixa

La taxa d'error dels sistemes experts reeixits és força baixa, de vegades molt més baixa que la taxa d'error de l'ésser humà per a la mateixa tasca.

Resposta sense emocions

Els sistemes experts funcionen sense emocionar-se. No es posen tensos, fatigats ni entren en pànic, i treballen de manera constant durant situacions d'emergència.

Permanència de el coneixement

El sistema expert manté un nivell significatiu d'informació. Aquest coneixement contingut durarà indefinidament.

Creació ràpida de prototips

Amb un sistema expert és possible ingressar algunes regles i desenvolupar un prototip en dies, en lloc dels mesos o anys associats comunament amb projectes complexos d'informàtica.

múltiples experiències

El sistema expert es pot dissenyar perquè contingui el coneixement de molts experts qualificats i així tenir la capacitat de resoldre problemes complexos.

Això redueix la despesa de recórrer a experts consultors per a la resolució de problemes. Són un vehicle per obtenir fonts de coneixement difícils d'aconseguir.

desavantatges

Adquisició de coneixement

Sempre és difícil obtenir el temps dels experts en àmbits particulars per a qualsevol aplicació de programari, però per als sistemes experts és especialment dificultós, perquè els experts són altament valorats i constantment sol·licitats per les organitzacions.

Com a conseqüència, una gran quantitat de recerca en els últims anys s'ha concentrat en eines per a l'adquisició de coneixement, que ajuden a automatitzar el procés de disseny, depuració i manteniment de les regles definides pels experts.

Integració de sistemes

La integració dels sistemes amb les bases de dades va ser difícil per als primers sistemes experts, perquè les eines estaven principalment en llenguatges i plataformes no conegudes en els entorns corporatius.

Com a resultat, es va fer un gran esforç per integrar les eines de sistemes experts amb entorns heretats, fent la transferència a plataformes més estàndards.

Aquests problemes van ser resolts principalment pel canvi de paradigma, ja que les PC van ser acceptades gradualment en l'entorn informàtic com una plataforma legítima per al desenvolupament de sistemes comercials seriosos.

Complexitat de processament

A l'augmentar la mida de la base de coneixement s'incrementa la complexitat de l'processament.

Per exemple, si un sistema expert té 100 milions de regles és evident que seria massa complex, i s'enfrontaria molts problemes computacionals.

Un motor d'inferència hauria de poder processar un gran nombre de regles per prendre una decisió.

Quan hi ha massa regles també es complica verificar que aquestes regles de decisió siguin consistents entre si.

Igualment es complica prioritzar l'ús de les regles per operar de manera més eficient, o com resoldre ambigüitats.

Actualització de el coneixement

Un problema relacionat amb la base de coneixement és com fer actualitzacions de manera ràpida i efectiva. A més, com afegir un nou coneixement, és a dir, on afegir entre tantes regles.

aplicacions

Diagnòstic i solució de problemes

Compendia tots els sistemes que infereixen falles i suggereixen accions correctives per a un procés o dispositiu que funcioni malament.

Una de les primeres àrees de coneixement on es va aplicar la tecnologia de sistemes experts va ser el diagnòstic mèdic. No obstant això, el diagnòstic de sistemes d'enginyeria va superar ràpidament a el diagnòstic mèdic.

El diagnòstic pot expressar-se com: donada l'evidència que es presenta, quin és el problema, raó o causa subjacent?

Planificació i programació

Aquests sistemes experts analitzen un conjunt d'objectius per determinar un conjunt d'accions que aconsegueixin aquests objectius, brindant un ordenament detallat d'aquestes accions en el temps, considerant els materials, el personal i altres restriccions.

Exemples inclouen la programació de vols i personal de les companyies aèries, i la planificació de l'procés de fabricació.

decisions financeres

Els sistemes d'assessorament financer s'han creat per ajudar els banquers a determinar si atorgar préstecs a individus i companyies.

Les empreses d'assegurances utilitzen aquests sistemes experts per avaluar el risc que el client presenta i així determinar el preu de l'assegurança.

Monitorització i control de processos

Analitzen en temps real les dades d'aparells físics, per tal de notar anomalies, predir tendències i controlar tant l'optimització com la correcció de falles.

Exemples d'aquests sistemes estan en les indústries de refinació de petroli i fabricació d'acer.

Assessoria de coneixement

La funció primordial d'aquesta aplicació és subministrar un coneixement significatiu per al problema de l'usuari, dins de l'entorn d'aquest problema.

A aquesta categoria pertanyen els dos sistemes experts que es distribueixen amb més amplitud per tot el món.

El primer d'aquests sistemes és un assessor que aconsella a l'usuari sobre l'ús correcte de la gramàtica en un text.

El segon és un assessor fiscal que està adjunt a un sistema per preparar els impostos. Assessora a l'usuari sobre l'estratègia i polítiques fiscals particulars.

referències

1. Guru99 (2019). Expert System in Artificial Intelligence: What is, Applications, Example. Pres de: guru99.com.
2. WikiLingue the free encyclopedia (2019). Expert system. Pres de: en.wikipedia.org.
3. Margaret Rouse (2019). Expert system. Techtarget. Pres de: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Expert system. Encyclopaedia Pres de: britannica.com.
5. Wtec (2019). The Applications of Expert Systems. Pres de: wtec.org.
6. Viral Nagori (2014). Types of Expert System: Comparative Study. Semantic Scholar.Tomado de: pdfs.semanticscholar.org.
7. World of Computing (2010). Expert Systems. Pres de: intelligence.worldofcomputing.net.