ekspertsystemer

Ekspertsystemer er datamaskinprogrammer som etterligner beslutningstakingen til menneskelige eksperter innen et snevert fagområde. De bygger på et kunnskapsgrunnlag som inneholder regler, fakta og domeneinformasjon, og en inferensmotor som bruker disse reglene til å trekke konklusjoner og foreslå handlinger. Systemet har ofte en forklaringseleksjon som kan forklare hvordan et bestemt forslag ble nådd, noe som støtter brukeren i beslutningsprosessen.

Den tekniske oppbyggingen inkluderer vanligvis et kunnskapsgrunnlag og en inferensmotor. Kunnskapsgrunnlaget kan bestå av produksjonsregler (hvis-dersom, så) eller andre representasjonsformer som rammeverk eller semantiske nettverk. Inferensmotoren kan bruke forward chaining (fremoversøk) eller backward chaining (bakoversøk), og har mekanismer for konflikthåndtering når flere regler er aktuelle. Utstyrt med en brukergrensesnitt og mekanismer for kunnskapsanskaffelse og vedlikehold, krever ekspertsystemer betydelig kunnskapsengineering for å fange ekspertkunnskap og holde den oppdatert.

Historisk sett ble ekspertsystemer utviklet og brukt i 1980- og 1990-årene, med kjente eksempler som MYCIN (medisinsk diagnostikk og behandling), DENDRAL (kjemisk analyse) og XCON (konfigurasjon av datamaskinressurser). De har blitt mindre dominerende i løpet av perioden etterpå, delvis på grunn av begrensninger i håndtering av usikkerhet og vedlikehold av store kunnskapsbaser, samtidig som maskinlæring og statistisk kunstig intelligens vokste fram.

Anvendelser finnes i medisin, feilsøking og teknisk støtte, geologi og industriell konfigurasjon. Fordeler inkluderer forklarbarhet og rask tilgang til domenespesifikke regler, mens svakhetene omfatter brittleness, behov for omfattende kunnskapsinnhenting og utfordringer med å lære fra ny erfaring uten menneskelig innblanding. I dagens AI-landskap opptrer ekspertsystemer ofte som komponenter innen hybridløsninger, kombinert med statistisk læring for å oppnå robusthet og tilpasning.