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 heurísticas e fatos 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 com um código baseado em procedimentos, eles o fazem basicamente com regras If-Then.
Eles são capazes de se expressar e raciocinar sobre algum campo 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..
Índice do artigo
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. fatos.
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 facilmente atualizados. Esses sistemas podem generalizar melhor a partir do conhecimento existente e lidar com grandes quantidades de dados complexos..
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. Estas foram as primeiras formas de sistemas especialistas.
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, que se concentraram mais no conhecimento.
O conceito de sistemas especialistas foi desenvolvido formalmente em 1965 por Edward Feigenbaum, professor da Universidade de Stanford, nos Estados Unidos..
Feigenbaum explicou que o mundo estava passando do processamento de dados para o processamento de conhecimento, graças às novas tecnologias de processador e arquiteturas de computador.
No final da década de 60, foi desenvolvido um dos primeiros sistemas especialistas, denominado Dendral, voltado 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.
Os sistemas especialistas começaram a proliferar durante a década de 1980. Muitas das empresas Fortune 500 aplicaram esta 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..
Um sistema especialista deve oferecer o mais alto nível de especialização. Oferece eficiência, precisão e solução criativa de problemas.
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..
O sistema especialista deve ter boa confiabilidade. Para fazer isso, você não deve cometer nenhum tipo de erro.
O sistema especialista deve possuir um mecanismo eficiente para poder administrar o compêndio de conhecimentos nele existente..
Um sistema especialista deve ser capaz de lidar com problemas desafiadores e tomar as decisões certas para fornecer soluções..
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 compõem a base de conhecimento devem ser tomados.
Interpreta e avalia os fatos na base de conhecimento por meio de regras, a fim de fornecer uma recomendação ou conclusão.
Este conhecimento é representado na forma de regras de produção If-Then: "Se uma condição for verdadeira, então a seguinte dedução pode ser feita".
Freqüentemente, um fator de probabilidade é anexado 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 uma probabilidade de 90%.
Além disso, a seqüência de regras pelas quais a conclusão foi alcançada pode ser mostrada. O monitoramento desta cadeia ajuda a avaliar a credibilidade da recomendação e é útil como uma ferramenta de aprendizagem.
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).
Quando você deseja expressar conhecimento usando palavras vagas como "muito reduzido", "moderadamente difícil", "não tão antigo", você pode usar a lógica difusa.
Essa lógica é usada para descrever uma definição imprecisa. É baseado 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 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..
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, em vez da base de conhecimento tradicional. O conhecimento é armazenado como pesos nos neurônios.
Essa combinação permite que o sistema neural especialista justifique suas conclusões..
Lógica difusa e redes neurais são ferramentas complementares para a construção de sistemas especialistas.
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 neural-fuzzy 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..
Os sistemas especialistas estão facilmente disponíveis, em qualquer lugar, a qualquer hora, devido à produção em massa do software.
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.
Eles podem se tornar um veículo para desenvolver o conhecimento organizacional, em contraste com o conhecimento dos indivíduos em uma empresa.
São capazes de dar uma explicação adequada de sua tomada de decisão, expressando em detalhes o raciocínio que levou a uma resposta.
Quando usados como ferramentas de treinamento, eles resultam em uma curva de aprendizado mais rápida para iniciantes.
Ajuda a obter respostas rápidas e precisas. Um sistema especialista pode completar sua parte de tarefas muito mais rápido do que um especialista humano.
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..
Os sistemas especialistas funcionam sem entusiasmo. Eles não ficam tensos, fatigados ou em pânico e trabalham continuamente durante situações de emergência.
O sistema especialista mantém um nível significativo de informações. Este conhecimento contido durará indefinidamente.
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.
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 obter fontes de conhecimento que são difíceis de obter.
É sempre difícil obter o tempo de especialistas em áreas específicas 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 para a aquisição de conhecimento, que ajudam a automatizar o processo de desenho, depuração e manutenção das regras definidas por especialistas..
A integração dos sistemas com os bancos de dados foi 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..
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 ambigüidades..
Um problema relacionado à base de conhecimento é como fazer atualizações de forma rápida e eficaz. Além disso, como adicionar um novo conhecimento, ou seja, onde adicioná-lo entre tantas regras.
Resume todos os sistemas que inferem falhas e sugere ações corretivas para um processo ou dispositivo com defeito.
Uma das primeiras áreas do conhecimento onde a tecnologia de sistemas especialistas foi aplicada foi o diagnóstico médico. No entanto, os diagnósticos de sistemas de engenharia superaram rapidamente os diagnósticos médicos.
O diagnóstico pode ser expresso como: diante das evidências apresentadas, qual é o problema subjacente, razão ou causa?
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.
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.
Eles analisam os dados dos dispositivos físicos em tempo real, a fim de detectar anomalias, prever tendências e controlar tanto a otimização quanto a correção de falhas.
Exemplos desses sistemas estão nas indústrias de refino de petróleo e siderurgia..
A função principal 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 fiscais específicas.
Ainda sem comentários