Sistemas especialistas: história, características, vantagens, desvantagens - Ciência - 2023

Contente

o sistemas especializados Eles são definidos como sistemas de computador que emulam a capacidade de tomada de decisão de um especialista humano em um determinado campo. Eles usam estratégias e fatos heurísticos para resolver problemas complexos de tomada de decisão de forma confiável e interativa.

Eles são projetados para resolver problemas de alta complexidade, raciocinando por meio de bases de conhecimento. Em vez de serem representados por código procedural, eles são basicamente representados por regras If-Then.

Eles são capazes de se expressar e raciocinar sobre alguma área do conhecimento, o que lhes permite resolver muitos problemas que geralmente requerem um especialista humano. Os sistemas especialistas foram os predecessores dos sistemas atuais de inteligência artificial, aprendizado profundo e aprendizado de máquina.

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

Eles desempenharam um papel importante em muitos setores, como serviços financeiros, telecomunicações, saúde, atendimento ao cliente, videogames e manufatura.

Capacidade do sistema

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

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

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

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

História

- Desenvolvimentos iniciais

No final dos anos 1950, a experimentação começou com a possibilidade de usar a tecnologia do computador para emular a tomada de decisão humana. Por exemplo, sistemas auxiliados por computador começaram a ser criados para aplicações diagnósticas na medicina.

Esses sistemas de diagnóstico inicial inseriam os sintomas do paciente e os resultados dos testes laboratoriais no sistema para gerar um diagnóstico como resultado. Essas foram as primeiras formas de sistemas especialistas.

- Principais desenvolvimentos

No início dos anos 60, desenvolveram-se programas que resolviam problemas bem definidos. Por exemplo, jogos ou traduções automáticas.

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

Os pesquisadores começaram a perceber que, para resolver muitos problemas interessantes, os programas não apenas precisavam ser capazes de interpretar os problemas, mas também precisavam de conhecimentos básicos para compreendê-los totalmente.

Isso gradualmente levou ao desenvolvimento de sistemas especialistas, mais focados no conhecimento.

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

Feigenbaum explicou que o mundo estava mudando do processamento de dados para o processamento do conhecimento, graças às novas tecnologias de processador e arquiteturas de computador.

Dendral

No final dos anos 60, um dos primeiros sistemas especialistas, denominado Dendral, foi desenvolvido para 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 químicos e cientistas da computação.

- Maturidade

Os sistemas especialistas começaram a proliferar durante a década de 1980. Muitas das empresas Fortune 500 aplicaram essa tecnologia em suas atividades diárias de negócios.

Na década de 1990, muitos fornecedores de aplicativos de negócios, como Oracle e SAP, integraram os recursos de sistemas especialistas em seu conjunto de produtos como uma forma de explicar a lógica de negócios.

Caracteristicas

- Nível de Experiência

Um sistema especialista deve oferecer o mais alto nível de especialização. Oferece eficiência, precisão e resolução de problemas imaginativa.

- Reação na hora certa

O usuário interage com o sistema especialista por um período de tempo razoavelmente razoável. O tempo dessa interação deve ser menor que o tempo que um especialista leva para obter a solução mais precisa para o mesmo problema.

- Confiabilidade

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

- Mecanismo eficaz

O sistema especialista deve ter um mecanismo eficiente para gerenciar o compêndio de conhecimentos nele existente.

- Lidar com problemas

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

- Componentes

Base de conhecimento

É uma coleção organizada de dados correspondentes ao escopo de experiência do sistema.

Por meio de entrevistas e observações com especialistas humanos, os fatos que constituem a base de conhecimento devem ser tomados.

Motor de inferência

Interpretar e avaliar os fatos da 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 If-Then: "Se uma condição for verdadeira, a seguinte dedução pode ser feita."

Conclusões

Um fator de probabilidade é freqüentemente associado à conclusão de cada regra de produção e à recomendação final, porque a conclusão alcançada não é uma certeza absoluta.

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

Além disso, a seqüência de regras pelas quais a conclusão foi alcançada pode ser mostrada. O rastreamento dessa cadeia ajuda a avaliar a credibilidade da recomendação e é útil como ferramenta de aprendizado.

Tipos

Baseado em regras

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

A regra consiste em duas partes: a parte "Se", chamada de condição, e a parte "Então", chamada de dedução. A sintaxe básica de uma regra é: If (condição) Then (dedução).

Baseado em lógica fuzzy

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

Essa lógica é usada para descrever uma definição imprecisa. Baseia-se na ideia de que todas as coisas são descritas em uma escala móvel.

A lógica clássica opera com dois valores de certeza: Verdadeiro (1) e Falso (0). Na lógica fuzzy, todos os valores de certeza são expressos como números reais no intervalo de 0 a 1.

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

Neuronal

As vantagens do sistema especialista baseado em regras também combinam as vantagens da rede neural, como aprendizado, generalização, robustez e processamento paralelo de informações.

Este sistema possui uma base de conhecimento neural, ao invés da base de conhecimento tradicional. O conhecimento é armazenado como pesos nos neurônios.

Essa combinação permite que o sistema neural especialista justifique suas conclusões.

Neuronal-difuso

A lógica fuzzy e as redes neurais são ferramentas complementares para a construção de sistemas especialistas.

Os sistemas fuzzy 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 fuzzy neurais podem combinar as capacidades de computação e aprendizagem da rede neural com a representação do conhecimento humano e as habilidades de explicação dos sistemas fuzzy.

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

Vantagem

Disponibilidade

Os sistemas especialistas estão prontamente disponíveis, em qualquer lugar, a qualquer hora, devido à produção em massa do software.

Risco reduzido

Uma empresa pode operar um sistema especialista em ambientes perigosos para os seres humanos. Eles podem ser usados em qualquer ambiente perigoso onde os humanos não possam trabalhar.

Conhecimento de negócios

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

Explicação da resposta

São capazes de dar uma explicação adequada da sua tomada de decisão, exprimindo detalhadamente o raciocínio que deu origem a uma resposta.

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

Resposta rápida

Ajuda a obter respostas rápidas e precisas. Um sistema especialista pode completar sua parte de tarefas muito mais rápido do que um especialista humano.

Baixa taxa de erro

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

Resposta sem emoção

Os sistemas especialistas funcionam sem entusiasmo. Eles não ficam tensos, cansados ou em pânico e trabalham continuamente em situações de emergência.

Permanência do conhecimento

O sistema especialista mantém um nível significativo de informações. Este conhecimento contido durará indefinidamente.

Prototipagem rápida

Com um sistema especialista, é possível inserir algumas regras e desenvolver um protótipo em dias, ao invés dos meses ou anos comumente associados a projetos de TI complexos.

Experiências múltiplas

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

Isso reduz a despesa de consultar consultores especializados em resolução de problemas. Eles são um veículo para a obtenção de fontes de conhecimento difíceis de obter.

Desvantagens

Aquisição de conhecimento

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

Como consequência, uma grande quantidade de pesquisas nos últimos anos tem se concentrado em ferramentas de aquisição de conhecimento, que auxiliem a automatizar o processo de desenho, depuração e manutenção das regras definidas por especialistas.

Integração do sistema

A integração dos sistemas com os bancos de dados era difícil para os primeiros sistemas especialistas, pois as ferramentas estavam principalmente em linguagens e plataformas não conhecidas em ambientes corporativos.

Como resultado, um grande esforço foi feito para integrar ferramentas de sistemas especialistas com ambientes legados, fazendo a transferência para plataformas mais padronizadas.

Esses problemas foram resolvidos principalmente pela mudança de paradigma, à medida que os PCs foram gradativamente aceitos no ambiente de computação como uma plataforma legítima para o desenvolvimento de sistemas de negócios sérios.

Complexidade de processamento

Aumentar o tamanho da base de conhecimento aumenta a complexidade do processamento.

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

Um mecanismo de inferência teria que ser capaz de processar um grande número de regras para tomar uma decisão.

Quando há muitas regras, também é difícil verificar se essas regras de decisão são consistentes entre si.

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

Atualização de conhecimento

Um problema relacionado com a base de conhecimento é como fazer atualizações de forma rápida e eficaz. Além disso, como agregar novos conhecimentos, ou seja, onde somar entre tantas regras.

Formulários

Diagnóstico e solução de problemas

Ele resume todos os sistemas de inferência de falhas e sugere ações corretivas para um processo ou dispositivo com defeito.

Uma das primeiras áreas de conhecimento onde a tecnologia de sistemas especialistas foi aplicada foi o diagnóstico médico. No entanto, o diagnóstico de sistemas de engenharia superou rapidamente o diagnóstico médico.

O diagnóstico pode ser expresso como: diante das evidências apresentadas, qual é o problema, motivo ou causa subjacente?

Planejamento e programação

Esses sistemas especialistas analisam um conjunto de objetivos para determinar um conjunto de ações que atinjam esses objetivos, fornecendo uma ordenação detalhada dessas ações ao longo do tempo, considerando materiais, pessoal e outras restrições.

Os exemplos incluem pessoal da companhia aérea e programação de voos e planejamento do processo de fabricação.

Decisões financeiras

Os sistemas de consultoria financeira foram criados para ajudar os banqueiros a determinar se devem fazer empréstimos a pessoas físicas e jurídicas.

As seguradoras 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 dados de dispositivos físicos em tempo real, a fim de detectar anomalias, prever tendências e controlar a otimização e a correção de falhas.

Exemplos desses sistemas estão nas indústrias de refino de petróleo e siderurgia.

Consultoria de conhecimento

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

Os dois sistemas especialistas mais amplamente distribuídos em todo o mundo pertencem a esta categoria.

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

O segundo é um consultor tributário vinculado a um sistema de preparação de impostos. Aconselha o usuário sobre a estratégia e políticas tributárias particulares.

Referências

Guru99 (2019). Sistema especialista em inteligência artificial: o que é, aplicações, exemplo. Retirado de: guru99.com.
Wikipedia, a enciclopédia livre (2019). Sistema inteligente. Retirado de: en.wikipedia.org.
Margaret Rouse (2019). Sistema inteligente. Techtarget. Retirado de: searchenterpriseai.techtarget.com.
Vladimir Zwass (2019). Sistema inteligente. Enciclopédia Retirado de: britannica.com.
Wtec (2019). As aplicações de sistemas especialistas. Retirado de: wtec.org.
Viral Nagori (2014). Tipos de sistema especialista: estudo comparativo. Semantic Scholar Retirado de: pdfs.semanticscholar.org.
World of Computing (2010). Sistemas especializados. Retirado de: intelligence.worldofcomputing.net.