História de sistemas especializados, características, vantagens, desvantagens

O sistemas especializados Eles são definidos como sistemas de computador que imitam a capacidade de fabricação de decisão de um especialista humano em uma área específica. Eles usam estratégias e fatos heurísticos para resolver problemas complexos de tomada de decisão de maneira confiável e interativa.

Eles foram projetados para resolver problemas de alta complexidade, raciocínio por meio de bases de conhecimento. Em vez de serem representados com um código baseado em procedimentos, eles basicamente o fazem com as regras SI-Then.

Fonte: Pixabay.com

Eles são capazes de se expressar e raciocinar sobre algum campo de conhecimento, o que lhes permite resolver muitos problemas que geralmente exigiriam um especialista humano. Sistemas especializados foram os antecessores dos atuais sistemas de inteligência artificial, aprendizado profundo e aprendizado automático.

Um sistema especializado não pode substituir o desempenho geral de um trabalhador na tarefa de resolução de problemas. No entanto, eles podem reduzir drasticamente a quantidade de trabalho que o indivíduo deve fazer para resolver um problema, deixando as pessoas os aspectos criativos e inovadores da solução de problemas.

Eles desempenharam um papel importante em muitos setores, como serviços financeiros, telecomunicações, assistência médica, atendimento ao cliente, videogames e fabricação.

[TOC]

Capacidade do sistema

Um sistema especialista incorpora dois subsistemas: uma base de conhecimento, que contém fatos e experiência acumulados, e um mecanismo de inferência, que é um conjunto de regras a serem aplicadas à base de conhecimento ou fatos conhecidos em cada situação em particular, a fim de deduzir novos fatos.

Os recursos do sistema podem ser aprimorados com adições à base de conhecimento ou ao conjunto de regras.

Por exemplo, os sistemas especialistas de hoje também podem ter a capacidade de aprender automaticamente, permitindo melhorar seu desempenho com base na experiência, como os humanos fazem.

Além disso, os sistemas modernos podem incorporar novos conhecimentos com mais facilidade e, portanto, ser atualizados simplesmente. Tais sistemas podem generalizar melhor a partir do conhecimento existente e lidar com grandes quantidades de dados complexos.

História

- Desenvolvimentos iniciais

No final da década de 1950, a possibilidade de usar a tecnologia de computador para imitar a tomada de decisão dos humanos começou a ser experimentada. Por exemplo, os sistemas assistidos por computador começaram a ser criados para aplicações de diagnóstico em medicina.

Esses sistemas de diagnóstico iniciais entraram nos sintomas dos pacientes e nos resultados de testes de laboratório para gerar um diagnóstico como resultado. Essas foram as primeiras formas de sistemas especialistas.

- Principais desenvolvimentos

No início dos anos sessenta, foram desenvolvidos programas que resolveram problemas bem definidos. Por exemplo, jogos ou traduções automáticas.

Esses programas exigiam técnicas de raciocínio inteligentes para lidar com os problemas lógicos e matemáticos que foram apresentados, mas não exigiam muito conhecimento adicional.

Os pesquisadores começaram a alertar que, para resolver muitos problemas interessantes, os programas não apenas precisavam ser capazes de interpretar os problemas, mas também precisavam de conhecimento básico para entendê -los completamente.

Isso gradualmente levou ao desenvolvimento de sistemas especialistas, que se concentraram mais no conhecimento.

O conceito de sistemas especialistas foi formalmente desenvolvido em 1965 por Edward Feigenbaum, professor da Universidade de Stanford, EE.Uu.

Feigenbaum explicou que o mundo estava passando do processamento de dados ao processamento de conhecimento, graças aos novos processadores e tecnologia de arquiteturas de computadores.

Dendral

No final dos anos sessenta, um dos primeiros sistemas especialistas foi desenvolvido, chamado Dendral, abordando a análise de compostos químicos.

O conhecimento de Dendral consistia em centenas de regras que descreviam as interações de compostos químicos. Essas regras foram o resultado de anos de colaboração entre produtos químicos e computador.

Pode atendê -lo: Tolerâncias geométricas: símbolos, dados e exemplos

- Maturidade

Sistemas especializados começaram a proliferar durante os anos oitenta. Um grande número de empresas da Fortune 500 aplicou essa tecnologia em suas atividades comerciais diárias.

Na década de 1990, muitos fornecedores de aplicativos de negócios, como Oracle e SAP, integraram as capacidades de sistemas especializados em seus produtos, como uma maneira de explicar a lógica de negócios.

Caracteristicas

- Nível de Experiência

Um sistema especialista deve oferecer o nível mais alto de experiência. Fornece eficiência, precisão e resolução imaginativa dos problemas.

- Reação no tempo

O usuário interage com o sistema especialista por um período de tempo bastante prudencial. O tempo dessa interação deve ser menor do que o tempo em que, para o mesmo problema, é necessário um especialista para alcançar a solução mais precisa.

- Confiabilidade

O sistema especialista deve ter boa confiabilidade. Para fazer isso, você não deve cometer nenhum erro.

- Mecanismo eficaz

O sistema especialista deve ter um mecanismo eficiente para administrar o compêndio do conhecimento existente nele.

- Lidar com problemas

Um sistema especializado deve ser capaz de lidar com problemas desafiadores e tomar as decisões certas para fornecer soluções.

- Componentes

Base de conhecimento

É uma coleção de dados organizada correspondente ao sistema de experiência do sistema.

Através de entrevistas e observações para especialistas em humanos, os fatos que compõem a base de conhecimento devem ser feitos.

Motor de inferência

Interprete e avalie os fatos na base de conhecimento por meio de regras, a fim de fornecer uma recomendação ou conclusão.

Esse conhecimento é representado na forma de regras de produção, mesmo: "Se uma condição for verdadeira, a seguinte dedução pode ser feita".

Conclusões

Um fator de probabilidade é frequentemente ligado à conclusão de cada regra de produção e à recomendação final, porque a conclusão chegada não é uma certeza absoluta.

Por exemplo, um sistema especialista para o diagnóstico de doenças oculares pode indicar, de acordo com as informações fornecidas, que uma pessoa tem glaucoma com uma probabilidade de 90%.

Além disso, a sequência de regras pode ser mostrada através da qual a conclusão foi alcançada. O monitoramento desta cadeia ajuda a avaliar a credibilidade da recomendação e é útil como uma ferramenta de aprendizado.

Pessoal

Com base em regras

Nesse sistema, o conhecimento é representado como um conjunto de regras. A regra é uma maneira direta e flexível de expressar conhecimento.

A regra consiste em duas partes: a parte "sim", chamada condição, e a parte "então", chamada dedução. A sintaxe básica de uma regra é: sim (condição) então (dedução).

Com base na lógica difusa

Quando você deseja expressar conhecimento usando palavras vagas como "muito pequeno", "moderadamente difícil", "não tão velho", a lógica difusa pode ser usada.

Esta lógica é usada para descrever uma definição imprecisa. É baseado na ideia de que todas as coisas são descritas em uma escala variável.

A lógica clássica opera com dois valores de certeza: true (1) e falso (0). Na lógica difusa, todos os valores de certeza são expressos com números reais dentro do intervalo entre 0 e 1.

A lógica difusa representa o conhecimento baseado em um grau de veracidade, em vez da veracidade absoluta da lógica clássica.

Neuronal

Com as vantagens do sistema especialista baseado em regras, as vantagens da rede neuronal também são combinadas, como aprendizado, generalização, solidez e processamento de informações paralelas.

Pode servir a você: topologias de rede: conceito, tipos e suas características, exemplos

Este sistema tem uma base de conhecimento neuronal, em vez da base tradicional de conhecimento. O conhecimento é armazenado como pesos em neurônios.

Essa combinação permite que o sistema de especialistas neuronais justifique suas conclusões.

Neuronal-Difuso

Lógica difusa e redes neurais são ferramentas complementares para criar sistemas especializados.

Os sistemas difusos não têm a capacidade de aprender e não podem se adaptar a um novo ambiente. Por outro lado, embora as redes neurais possam aprender, seu processo é muito complicado para o usuário.

Os sistemas neuronais-difusos podem combinar as capacidades de computação e aprendizado da rede neuronal com a representação do conhecimento humano e as habilidades de explicação dos sistemas difusos.

Como resultado, as redes neurais se tornam mais transparentes, enquanto o sistema difuso se torna capaz de aprender.

Vantagens

Disponibilidade

Sistemas especializados estão facilmente disponíveis, em qualquer lugar e a qualquer momento, devido à produção em massa do software.

Risco reduzido

Uma empresa pode operar um especialista em ambientes que são perigosos para os humanos. Eles podem ser usados ​​em qualquer ambiente de risco em que os humanos não possam funcionar.

Conhecimento comercial

Eles podem se tornar um veículo para desenvolver conhecimento organizacional, em contraste com o conhecimento dos indivíduos em uma empresa.

Explicação da resposta

Eles são capazes de dar uma explicação adequada de sua tomada de decisão, expressando em detalhes o raciocínio que os levou a uma resposta.

Quando usados ​​como ferramentas de treinamento, elas resultam em uma curva de aprendizado mais rápida para iniciantes.

Resposta rápida

Ajude a obter respostas rápidas e precisas. Um sistema especialista pode concluir sua parte das tarefas muito mais rápido do que um especialista humano.

Baixa taxa de erro

A taxa de erro de sistemas especializados bem -sucedidos é bastante baixa, às vezes muito menor que a taxa de erro do ser humano para a mesma tarefa.

Resposta sem emoções

Sistemas especializados funcionam sem ficar animado. Eles não colocam tenso, cansado ou pânico, e trabalham constantemente durante situações de emergência.

Permanência do conhecimento

O sistema especialista mantém um nível significativo de informação. Este conteúdo de conhecimento vai durar indefinidamente.

Criação rápida de protótipo

Com um sistema especializado, é possível inserir algumas regras e desenvolver um protótipo em dias, em vez dos meses ou anos comumente associados a projetos de computador complexos.

Múltiplas experiências

O sistema especialista pode ser projetado para conter o conhecimento de muitos especialistas qualificados e, portanto, tem a capacidade de resolver problemas complexos.

Isso reduz a despesa para recorrer a consultores especializados para resolver problemas. Eles são um veículo para obter fontes de conhecimento difíceis de obter.

Desvantagens

Aquisição de conhecimento

É sempre difícil obter o tempo de especialistas em áreas específicas para qualquer aplicativo de software, mas para sistemas especializados é especialmente difícil, porque os especialistas são altamente valorizados e constantemente solicitados pelas organizações.

Como conseqüência, uma grande quantidade de pesquisa nos últimos anos se concentrou em ferramentas para a aquisição de conhecimento, que ajudam a automatizar o processo de design, purificação e manutenção das regras definidas por especialistas.

Integração do sistema

A integração dos sistemas com os bancos de dados foi difícil para os primeiros sistemas especialistas, porque as ferramentas estavam principalmente em idiomas e plataformas desconhecidas em ambientes corporativos.

Pode atendê -lo: produto técnico

Como resultado, foi feito um grande esforço para integrar as ferramentas de sistemas especializados com ambientes herdados, tornando a transferência para plataformas mais padrão.

Esses problemas foram resolvidos principalmente pela mudança de paradigma, uma vez que os PCs foram gradualmente aceitos no ambiente do computador como uma plataforma legítima para o desenvolvimento de sistemas comerciais sérios.

Processando complexidade

Ao aumentar o tamanho da base de conhecimento, a complexidade do processamento aumenta.

Por exemplo, se um sistema especialista tiver 100 milhões de regras, é evidente que seria muito complexo e enfrentaria muitos problemas computacionais.

Um mecanismo de inferência deve poder processar um grande número de regras para tomar uma decisão.

Quando há muitas regras, também é complicado que essas regras de decisão sejam consistentes entre si.

Também é complicado priorizar o uso das regras para operar com mais eficiência ou como resolver ambiguidades.

Atualização do conhecimento

Um problema relacionado à base de conhecimento é como fazer atualizações de maneira rápida e eficaz. Além disso, como adicionar um novo conhecimento, ou seja, onde adicioná -lo entre tantas regras.

Formulários

Diagnóstico e resolução de problemas

Ele resume todos os sistemas que inferem falhas e sugerem ações corretivas para um processo ou dispositivo que funciona mal.

Uma das primeiras áreas de conhecimento em que a tecnologia de sistemas especializados foi aplicada foi o diagnóstico médico. No entanto, o diagnóstico de sistemas de engenharia excedeu rapidamente o diagnóstico médico.

O diagnóstico pode ser expresso como: dada a evidência que surge, qual é o problema subjacente, razão ou causa?

Planejamento e programação

Esses sistemas especializados analisam um conjunto de objetivos para determinar um conjunto de ações que atingem esses objetivos, fornecendo uma ordem detalhada dessas ações ao longo do tempo, considerando os materiais, funcionários e outras restrições.

Exemplos incluem a programação de voos e pessoal da companhia aérea e planejamento de processos de fabricação.

Decisões financeiras

Os sistemas de aconselhamento financeiro foram criados para ajudar os banqueiros a determinar se empréstimos para indivíduos e empresas.

As companhias de seguros usam esses sistemas especializados para avaliar o risco que o cliente apresenta e, assim, determinar o preço do seguro.

Monitoramento e controle de processos

Eles analisam em tempo real os dados de dispositivos físicos, a fim de perceber anomalias, prever tendências e controlar a otimização e a correção de falhas.

Exemplos desses sistemas estão nas indústrias de fabricação de petróleo e aço.

Conselhos de conhecimento

A principal função deste aplicativo é fornecer conhecimento significativo para o problema do usuário, dentro do ambiente desse problema.

A esta categoria pertencem aos dois sistemas especialistas que são distribuídos com maior amplitude em todo o mundo.

O primeiro desses sistemas é um consultor que aconselha o usuário sobre o uso correto da gramática em um texto.

O segundo é um consultor fiscal que está anexado a um sistema para preparar impostos. Consultor o usuário sobre estratégia e políticas tributárias específicas.

Referências

1. Guru99 (2019). Inteligência no sistema de especialistas artificiais: o que é, aplicativos, exemplo. Retirado de: Guru99.com.
2. Wikipedia, The Free Encyclopedia (2019). Sistema inteligente. Retirado de: em.Wikipedia.org.
3. Margaret Rouse (2019). Sistema inteligente. TechTarget. Retirado de: Searchnterpriseai.TechTarget.com.
4. Vladimir Zwass (2019). Sistema inteligente. Encyclopaedia tirada de: Britannica.com.
5. WTEC (2019). As aplicações de sistemas especializados. Retirado de: WTEC.org.
6. Viral Nagori (2014). Tipos de sistema especializado: estudo comparativo. Scholar semântica.Retirado de: pdfs.Semanticscholar.org.
7. World of Computing (2010). Sistemas especializados. Retirado de: Inteligência.WorldOfComputing.líquido.