Kā ieviest mākslīgā intelekta ekspertu sistēmu?



Šajā rakstā tiks aplūkota mākslīgā intelekta ekspertu sistēma, kas visu tehnoloģiju iemeslu dēļ veic apvērsumu tehnoloģiju pasaulē.

Ekspertu sistēma ir termins, kas visu laiku apvada tehnoloģiju pasauli visu iemeslu dēļ. Šajā rakstā mēs detalizēti izpētīsim šo tēmu.

Šajā rakstā tiks apskatīti šādi norādījumi,





Ļaujiet mums sākt darbu ar šo rakstu,

Kas ir mākslīgais intelekts?

Nu, parasti nosaukums Mākslīgais intelekts norāda uz mākslīgas mašīnas intelektu. Cilvēka izlūkošanas iespējas ir pazīstamas kā cilvēka inteliģences, tāpat kā mašīnas demonstrētā inteliģence ir pazīstama kā mākslīgais intelekts. Datorzinātnēs. Mākslīgais intelekts (AI), ko dažkārt dēvē par mašīnu inteliģenci. Mākslīgā intelekta pētniecības joma ir dzimusi Dartmutas koledžas darbnīcā 1956. gadā.



Attēls - eksperts SYstem mākslīgā mākslā - Edureka

Mākslīgā intelekta pielietojums reālajā pasaulē:

Tērzēšanas roboti, piemēram, SIRI, CORTANA, mūsdienās ir ieguvuši tik lielu popularitāti. Citi piemēri, piemēram, EVA (Electronic Virtual Assistant), AI balstīta tērzēšanas robotprogramma, ko izstrādājusi HDFC banku AI pētniecības nodaļa un kas var apkopot zināšanas no tūkstošiem avotu un sniegt vienkāršas atbildes mazāk nekā 0,4 sekundēs. Ir tik daudz AI lietojumu piemēru, kurus atradīsit dažādās mūsu sabiedrības jomās.



Turpinot darbu ar šo mākslīgā intelekta ekspertu sistēmu,

Mākslīgā intelekta ekspertu sistēma

Kas ir ekspertu sistēma?

Standfordas Universitātes Datorikas nodaļas pētnieki ir ieviesuši šo AI jomu, un tā ir ievērojama AI pētniecības joma. Tā ir datora lietojumprogramma, kas var atrisināt vissarežģītākās jebkura konkrētā domēna problēmas. Tas tiek uzskatīts par cilvēka intelekta un kompetences augstāko līmeni, jo tā pamatā ir zināšanas, kas iegūtas no eksperta. Ekspertu sistēmu var definēt arī kā datorizētu lēmumu pieņemšanas sistēmu, kas var atrisināt sarežģītas lēmumu pieņemšanas problēmas, izmantojot gan faktus, gan heiristiku.

Turpinot darbu ar šo mākslīgā intelekta ekspertu sistēmu,

Domēni, kuros tiek izmantotas ekspertu sistēmas

Ekspertu sistēmas šodien

Amerikas Medicīnas asociācija ir apstiprinājusi pirmo ekspertu sistēmu, kas bija Pathfinder sistēma. Hematopatoloģijas diagnostikai tā tika uzcelta Standfordas universitātē 1980. gadā. Šī lēmumu teorētiskā ekspertu sistēma, kas īsumā ir Pathfinder, var diagnosticēt limfmezglu slimības. Galu galā tā nodarbojas ar vairāk nekā 60 slimībām un var atpazīt vairāk nekā 100 simptomus.

Ekspertu sistēma biznesā

Nesen izstrādātā ekspertu sistēma ROSS, AI advokāts, ROSS ir pašmācīšanās sistēma, kas izmanto datu ieguvi, paraugu atpazīšanu, dziļu mācīšanos un dabiskas valodas apstrādi, lai atdarinātu cilvēka smadzeņu darbību.

Turpinot darbu ar šo mākslīgā intelekta ekspertu sistēmu,

Galvenās piemērošanas jomas

  • Interpretācija - izdarot augsta līmeņa secinājumus, pamatojoties uz datiem.
  • Prognozēšana - iespējamo rezultātu prognozēšana.
  • Diagnoze - darbības traucējumu, slimību utt.
  • Dizains -būtVislabākā konfigurācija, pamatojoties uz kritērijiem.
  • Plānošana - darbības virknes ierosināšana mērķa sasniegšanai.
  • Monitorings - novērotās uzvedības salīdzināšana ar paredzamo uzvedību.
  • Atkļūdošana un labošana - aizsardzības līdzekļu noteikšana un ieviešana.
  • Instrukcija - palīdzība studentiem mācībās.
  • Kontrole - sistēmas uzvedības regulēšana.

Ekspertu sistēmas mērķis

Ekspertu sistēmas galvenais mērķis ir iegūt cilvēku ekspertu zināšanas un atkārtot šīs eksperta zināšanas un prasmes noteiktā jomā. Tad sistēma izmantos šīs zināšanas un prasmes, lai atrisinātu sarežģītas problēmas konkrētajā jomā bez cilvēku ekspertu līdzdalības.

Ekspertu sistēmu raksturojums

mācīties pl sql tiešsaistē bez maksas
  • Augsta veiktspēja
  • Saprotams
  • Uzticama
  • Ļoti atsaucīgs

Uz noteikumiem balstītas vai ekspertu sistēmas galvenie komponenti

Galvenie komponenti ir:

  • Zināšanu pamats
  • Darba atmiņa
  • Secinājumu dzinējs
  • Paskaidrojumu sistēma
  • Lietotāja interfeiss
  • Zināšanu bāzes redaktors

Turpinot darbu ar šo mākslīgā intelekta ekspertu sistēmu,

Trīs ES projektēšanas posmi

Zināšanu apguve:

Zināšanu iegūšanas process no ekspertiem, intervējot vai novērojot cilvēku ekspertus, lasot konkrētas grāmatas utt.

Zināšanu pamats:

Zināšanu bāze ir augstas kvalitātes zināšanu konteiners. Prasmes attīstās praksē, un inteliģence rodas no zināšanām bez zināšanām, kuras nevar pierādīt, vai nevar parādīt savu inteliģenci, tāpēc zināšanas ir ļoti svarīgas prasmju attīstīšanai un intelekta demonstrēšanai. Līdzīgi, tāpat kā zināšanas ir nepieciešamas, lai mašīna parādītu arī savu intelektu. Prognozēšanas precizitāte un arī sistēmas veiktspēja ir lielā mērā atkarīga no perfektu, precīzu un precīzu zināšanu apkopošanas.

Kas tagad ir zināšanas?

Zināšanas ir dati vai informācija. Mums, cilvēkiem, lasot rakstus, lasot grāmatas vai izmantojot dažādus resursus, kurus mēs izmantojām zināšanu vākšanai, ja mēs spējam redzēt zināšanu iegūšanas un bagātināšanas procesu minūtēs, tad mēs atklāsim, ka, lasot grāmatas, lasot rakstus vai no jebkuriem avotiem, mēs esam iegūt un iegūt datus un informāciju no dažādiem avotiem, kurus pēc tam mēs glabājām savās smadzenēs. Tātad zināšanas ir dati, zināšanas ir informācija. Zināšanas ir arī faktu apkopošana.

Datus, informāciju un iepriekšējo pieredzi kopā sauc par zināšanām.

Zināšanu pārstāvība:

Zināšanu attēlojums ir metode, kā atlasīt visatbilstošākās struktūras, kas atspoguļo zināšanas. Tā ir zināšanu organizēšanas un formalizēšanas metode zināšanu bāzē. Tas tiek darīts IF-THEN-ELSE noteikumu veidā.

Zināšanu pārbaude:

ES zināšanu pārbaude ir pareiza un pilnīga.Visu šo procesu sauc par zināšanu inženieriju.

Secinājumu dzinējs:

Uz zināšanām balstītas ES gadījumā secinājumu dzinējs iegūst un manipulē ar zināšanu bāzes zināšanām, lai nonāktu pie konkrēta risinājuma.

Noteikumiem balstītas ES gadījumā

  • Tas atkārtoti piemēro noteikumus faktiem, kas iegūti, iepriekš piemērojot noteikumus.
  • Ja nepieciešams, jaunu zināšanu pievienošana zināšanu bāzei.
  • Tas novērš noteikumu konfliktus, ja konkrētam gadījumam ir piemērojami vairāki noteikumi.

Secinājumu dzinējs izmanto šādas stratēģijas un mīnus

  • Uz priekšu ķēdes
  • Atpakaļ ķēdes

Uz priekšu ķēdes

Programmā Forward Chaining secinājumu dzinējs dod rezultātu, sekojot nosacījumu un atvasinājumu ķēdei. Neatkarīgi no zināšanām, kas tiek ievadītas sistēmā, tās pirms risinājuma noslēgšanas iziet cauri visām zināšanām un faktiem un tos sakārto. Izmantojot ķēdes uz priekšu metodi, ekspertu sistēma mēģina atbildēt: 'Kas var notikt tālāk?'

Nākotnes ķēdes pielietošana: māju cenu prognozēšana, akciju prognozēšana, akciju tirgus prognozēšana utt.

Atpakaļ ķēdes

Kad kaut kas ir noticis noteiktā domēnā, Inference Engine mēģina noskaidrot, kurš stāvoklis šim rezultātam varētu būt noticis agrāk. Ar atgriezeniskās ķēdes metodi ekspertu sistēma mēģina atbildēt: “Kāpēc tas notika?”. Ar atgriezeniskās ķēdes metodi secināšanas dzinējs mēģina noskaidrot cēloni vai iemeslu.

Piemēram: asins vēža diagnostika cilvēkiem.

Plusi mīnusi un ierobežojumi

Ekspertu sistēmas priekšrocības

  1. Turiet milzīgu informācijas daudzumu
  2. Samaziniet darbinieku apmācības izmaksas
  3. Centralizējiet lēmumu pieņemšanas procesu
  4. Padariet lietas efektīvākas, samazinot problēmu risināšanai nepieciešamo laiku
  5. Apvienojiet dažādas cilvēku ekspertu inteliģences
  6. Samaziniet cilvēku kļūdu skaitu
  7. Nodrošiniet stratēģiskas un salīdzinošas priekšrocības, kas konkurentiem var radīt problēmas
  8. Pārskatiet darījumus, par kuriem cilvēku eksperti, iespējams, nedomā
  9. Sniedziet atbildes uz atkārtotiem lēmumiem, procesiem un uzdevumiem

Ekspertu sistēmas trūkumi:

  1. Radošu reakciju trūkums, uz ko spēj cilvēku eksperti
  2. Nav spējīgs izskaidrot lēmuma loģiku un pamatojumu
  3. Automatizēt sarežģītus procesus nav viegli
  4. Nav elastības un spējas pielāgoties mainīgajai videi
  5. Nespēj atpazīt, kad nav atbildes
  6. Lēmumu pieņemšanā netiek izmantots veselais saprāts

Ierobežojumi:

  • Tas nespēj sniegt radošas atbildes, jo tā ir mašīna.
  • Ja zināšanu bāzē ievadītie dati nav precīzi vai pareizi, tas sniegs nepareizas prognozes un nepareizus rezultātus.
  • Ekspertu sistēmas uzturēšanas izmaksas ir augstas.
  • Ja rodas dažādas problēmas, cilvēka eksperts var sniegt atšķirīgus risinājumus un radošas atbildes, bet ekspertu sistēma nesniedz radošas atbildes.

Tas mūs noved pie šī raksta par mākslīgā intelekta ekspertu sistēmām beigām.

Ja vēlaties iestāties pilnīgā mākslīgā intelekta un mašīnmācīšanās kursā, Edureka piedāvā īpaši kuratoru kas ļaus jums pārzināt tādas metodes kā uzraudzīta mācīšanās, bez uzraudzības un dabiskās valodas apstrāde. Tas ietver apmācību par jaunākajiem sasniegumiem un tehniskajām pieejām mākslīgā intelekta un mašīnmācīšanās jomā, piemēram, padziļināta mācīšanās, grafiskie modeļi un mācīšanās pastiprināšana.