Expertní systémy

Co je to expertní systém?

Expertní systémy jsou programy pro řešení takových úloh, které jsou všeobecně považovány za obtížné a jejich uspokojivé řešení může provést pouze specialista v daném oboru (expert). Expert se při řešení opírá o svoje znalosti a své vlastní zkušenosti. Expertní systémy jsou založeny na myšlence převzetí znalostí od experta a jejich vhodné reprezentaci tak, aby je mohl využívat program podobným způsobem jako expert a zejména s podobným výsledkem. Expertní systémy jsou tedy praktickou aplikací umělé inteligence.

Charakteristické rysy expertních systémů:

1. oddělení znalostí a mechanismu pro jejich využití - znalosti experta jsou uloženy v bázi znalostí odděleně od inferenčních mechanismů, jeden inferenční mechanismus může pracovat s různými bázemi znalostí,
2. neurčitost v bázi znalostí - v bázi znalostí jsou i nejrůznější heuristiky, které se např. expertovi osvědčily při rozhodování za dlouho dobu praxe,
3. neurčitost v datech,
4. dialogový režim - expertní systémy jsou nejčastěji konstruovány jako tzv. konzultační systémy. Uživatel komunikuje se systémem způsobem "dotaz systému - odpověď uživatele",
5. vysvětlovací činnost  - expertní systém by měl poskytovat vysvětlení svého uvažování,
6. modularita z transparentnost báze znalostí - modularita umožňuje snadnou aktualizaci báze znalostí, transparentnost umožňuje její snadnou čitelnost a srozumitelnost a kontrolu.

Nejpodstatnější charakteristikou je oddělení báze znalostí a inferenčního mechanismu.

Aplikace expertních systémů:

1. Obecné požadavky:
   • problém musí být dostatečně úzký - musí být možno zakódovat všechny relevantní znalosti, přitom však musí být tak široký, aby expertíza měla smysl,
   • existence expertů v dané oblasti - není vhodné, když při řešení dané problematiky dochází u expertů k zásadním názorovým rozdílům,
   • dostupnost vhodných dat - významným pomocníkem je možnost používat testovací data s předem známým výsledkem,
   • násobnost zdrojů znalostí a cest odvozování  - i při odstranění některých znalostí či nedostupnosti některých údajů z báze se systém schopen dospět k přijatelným závěrům,
   • strukturovanost problému - nejlepší je rozdělit bázi znalostí na menší relativně samostatné celky. Tyto celky lze řešit nezávisle a lze dosáhnout dílčí, smysluplné a ověřovatelné výsledky.

2. Některé řešené úlohy:

   • úlohy analytické povahy:

   1. interpretace dat, vysvětlování empirických údajů,

   2. porozumění komplexním signálům - průběžná (on-line) interpretace signálů a dat a určení okamžiku, kdy je nutná intervence,

   3. klasifikace,

   4. technická a lékařská diagnostika,

   • úlohy syntetické povahy:

     1. plánování - nalezení posloupnosti akcí k dosažení cíle,

     2. technické návrhy - vytvoření konfigurací objektů vyhovujících daným podmínkám,

     3. konfigurování počítačů,

     4. návrhy terapie v medicíně,

     5. automatické programování,

      

   • smíšené metody - zejména aplikace při vyučování.

Při hrubším dělení vystačíme se dvěma skupinami: diagnostické expertní systémy a generativní expertní systémy.

Podrobnější informace o expertních systémech je možno nalézt v bakalářské práce Metody inference od Radima Šedivého [1, 3, 4, 8, 14].

S expertními systémy je spjata reprezentace znalostí. S podrobnějšími informacemi o reprezentaci znalostí v umělé inteligenci je možné seznámit se v bakalářské práci Úvod do reprezentace znalostí od Jiřího Švece [3, 8, 13].