Sådan implementeres ekspertsystem i kunstig intelligens?

Ekspert system i er betegnelse, der gør runder i teknologiverden og af alle gode grunde. I denne artikel vil vi udforske dette emne i detaljer.

Følgende punkter vil blive dækket i denne artikel,

• Hvad er kunstig intelligens?
• Ekspert system inden for kunstig intelligens
• Domæner, hvor der anvendes ekspertsystemer
• Hovedanvendelsesområder
• Tre faser i design af ES
• Fordele Ulemper og begrænsninger

Så lad os komme i gang med denne artikel,

Hvad er kunstig intelligens?

Normalt antyder navnet kunstig intelligens intelligens af en maskine, der er kunstig. Menneskets intelligens er kendt som menneskelig intelligens, ligesom den intelligens, der demonstreres af en maskine, er kendt som kunstig intelligens. I datalogi. Kunstig intelligens (AI), undertiden kaldet maskinintelligens. Forskningsområdet for kunstig intelligens blev født på en workshop på Dartmouth College i 1956.

Anvendelser af kunstig intelligens i den virkelige verden:

Chatbots som SIRI, CORTANA, som har vundet så meget popularitet i dag. Andre eksempler som EVA (Electronic Virtual Assistant), en AI-baseret chatbot udviklet af HDFC-bankers AI-forskningsafdeling, som kan indsamle viden fra tusinder af kilder og give enkle svar på mindre end 0,4 sekunder. Der er så mange eksempler på AI-applikationer, du finder inden for forskellige områder af vores samfund.

Fortsætter med dette ekspertsystem inden for kunstig intelligens,

Ekspert system inden for kunstig intelligens

Hvad er et ekspertsystem?

Forskere fra Standford University, Computer Science Department har introduceret dette AI-domæne, og det er et fremtrædende forskningsdomæne for AI. Det er en computerapplikation, der kan løse de mest komplekse problemer i et bestemt domæne. Det betragtes som det højeste niveau af menneskelig intelligens og ekspertise, da det er baseret på viden erhvervet fra en ekspert. Expert System kan også defineres som et computerbaseret beslutningssystem, der kan løse komplekse beslutningsproblemer ved hjælp af både fakta og heuristik.

Fortsætter med dette ekspertsystem inden for kunstig intelligens,

Domæner, hvor der anvendes ekspertsystemer

Ekspert-systemer i dag

t sql datatype

American Medical Association har godkendt det første ekspertsystem, som var Pathfinder-systemet. Det blev bygget Standford University i 1980 til hæmatopatologisk diagnose. Dette beslutningsteoretiske ekspertsystem i korte træk Pathfinder kan diagnosticere lymfeknudesygdomme. I sidste ende beskæftiger det sig med over 60 sygdomme og kan genkende over 100 symptomer.

Ekspert system i erhvervslivet

For nylig udviklet et ekspertsystem ROSS, AI-advokaten, ROSS er et selvlæringssystem, der bruger datamining, mønstergenkendelse, dyb læring og naturlig sprogbehandling til at efterligne den måde, den menneskelige hjerne fungerer på.

Fortsætter med dette ekspertsystem inden for kunstig intelligens,

Hovedanvendelsesområder

• Tolkning - drage konklusioner på højt niveau baseret på data.
• Forudsigelse - projicering af sandsynlige resultater.
• Diagnose - bestemmelse af årsagen til funktionsfejl, sygdomme osv.
• Design -værending bedste konfiguration baseret på kriterier.
• Planlægning - foreslår en række handlinger for at nå et mål.
• Overvågning - sammenligning af observeret adfærd med den forventede adfærd.
• Fejlfinding og reparation - ordination og implementering af retsmidler.
• Instruktion - at hjælpe studerende med at lære.
• Kontrol - styrer et systems opførsel.

Formålet med ekspertsystemet

Hovedformålet med et ekspertsystem er at tilegne sig viden om menneskelige eksperter og replikere den viden og færdigheder hos menneskelig ekspert inden for et bestemt område. Derefter bruger systemet denne viden og færdigheder til at løse komplekse problemer inden for det pågældende område uden menneskelige eksperters deltagelse.

Karakteristika ved ekspertsystemer

• Høj ydeevne
• Forståelig
• Pålidelig
• Meget lydhør

Hovedkomponenter i et regelbaseret system eller et ekspertsystem

Hovedkomponenterne er:

• Videnbase
• Arbejdshukommelse
• Inferensmotor
• Forklaringssystem
• brugergrænseflade
• Vidensbaseditor

Fortsætter med dette ekspertsystem inden for kunstig intelligens,

Tre faser i design af ES

Videnindhentning:

Processen med at få viden fra eksperter ved at interviewe eller ved at observere menneskelige eksperter, læse specifikke bøger osv.

Videnbase:

Videnbasen er en beholder med viden af ​​høj kvalitet. Færdigheder udvikles gennem praksis, og intelligens kommer fra viden uden viden, man ikke kan bevise, eller man kan ikke vise sin intelligens, så viden er meget vigtig for at udvikle dygtighed og udvise intelligens. Ligesom kræves der på samme måde viden for, at maskinen også udviser sin intelligens. Præcisionen af ​​forudsigelse og også systemets ydeevne afhænger i høj grad af indsamlingen af ​​perfekt, præcis og præcis viden.

Hvad er nu viden?

Viden er data eller information. For os mennesker ved at læse artikler og ved at læse bøger eller fra forskellige ressourcer, brugte vi indsamling af viden, hvis vi kan se processen med at få og berige viden minutiøst, så finder vi ud af, at vi ved at læse bøger eller læse artikler eller fra andre ressourcer, vi er hentning og udtrækning af data og information fra forskellige kilder, som vi derefter lagrede i vores hjerne. Så viden er data, viden er information. Viden er også samling af fakta.

Data, information og tidligere erfaring kombineret betegnes som viden.

Videnrepræsentation:

Videnrepræsentation er metoden til at vælge de mest passende strukturer til at repræsentere viden. Det er metoden til at organisere og formalisere viden i vidensbasen. Det gøres i form af IF-THEN-ELSE regler.

Videnvalidering:

Test af viden om ES er korrekt og komplet.Hele denne proces kaldes videnskabsteknik.

Inferensmotor:

I tilfælde af videnbaseret ES erhverver og manipulerer Inference Engine viden fra vidensbasen for at komme til en bestemt løsning.

I tilfælde af regelbaseret ES,

• Det anvender regler gentagne gange på de faktiske omstændigheder, som er opnået ved tidligere anvendelse af regler.
• Det tilføjer ny viden til vidensbasen, hvis det kræves.
• Det løser konflikter, når flere regler finder anvendelse i en bestemt sag.

Inference Engine bruger følgende strategier og minus

• Fremadkædning
• Bagudkædning

Fremadkædning

Ved fremadkædning giver slutmotoren resultatet ved at følge kæden af ​​betingelser og afledninger. Uanset hvilken viden der føres i systemet, går den gennem alle disse viden og fakta og sorterer dem, inden den konkluderer en løsning. Ved fremadkædningsmetode forsøger ekspertsystemet at svare: 'Hvad kan der ske næste?'

Anvendelse af forward chaining: forudsigelse af huspris, aktieforudsigelse, forudsigelse af aktiemarkedet osv.

Bagudkædning

Når der er sket noget i et bestemt domæne, forsøger Inference Engine at finde ud af, hvilken tilstand der tidligere kunne være sket for dette resultat. Ved bagudkædningsmetode forsøger ekspertsystemet at svare: 'Hvorfor dette skete?'. Ved bagudkædemetode forsøger motoren at finde ud af årsag eller årsag.

For eksempel: diagnose af blodkræft hos mennesker.

Fordele Ulemper og begrænsninger

Fordele ved ekspertsystem

1. Hold enorme mængder information
2. Minimer medarbejdernes uddannelsesomkostninger
3. Centraliser beslutningsprocessen
4. Gør tingene mere effektive ved at reducere den nødvendige tid til at løse problemer
5. Kombiner forskellige menneskelige ekspert intelligenser
6. Reducer antallet af menneskelige fejl
7. Giv strategiske og komparative fordele, der kan skabe konkurrenceproblemer
8. Se over transaktioner, som menneskelige eksperter måske ikke tænker på
9. Giv svar på beslutninger, processer og opgaver, der er gentagne

Ulemper ved ekspertsystem:

1. Mangel på kreative svar, som menneskelige eksperter er i stand til
2. Ikke i stand til at forklare logikken og ræsonnementet bag en beslutning
3. Det er ikke let at automatisere komplekse processer
4. Der er ingen fleksibilitet og evne til at tilpasse sig skiftende miljøer
5. Kan ikke genkende, når der ikke er noget svar
6. Ingen sund fornuft brugt til at træffe beslutninger

Begrænsninger:

• Det undlader at give kreative svar, da det er en maskine.
• Hvis de data, der blev ført i vidensbasen ikke er korrekte eller korrekte, vil det give forkerte forudsigelser og forkerte resultater.
• Vedligeholdelsesomkostningerne for ekspertsystemet er høje.
• Når forskellige problemer kommer, kan menneskelig ekspert give forskellige forskellige løsninger og kreative svar, men ekspertsystemet giver ikke kreative svar.

Dette bringer os til slutningen af ​​denne artikel om ekspertsystemer inden for kunstig intelligens.

Hvis du ønsker at tilmelde dig et komplet kursus om kunstig intelligens og maskinindlæring, har Edureka en specielt kurateret der gør dig dygtig i teknikker som Supervised Learning, Unsupervised Learning og Natural Language Processing. Det inkluderer træning i de nyeste fremskridt og tekniske tilgange inden for kunstig intelligens og maskinindlæring som dyb læring, grafiske modeller og forstærkningslæring.