Les systèmes experts Ils sont définis comme des systèmes informatiques qui émulent la capacité de prise de décision d'un expert humain dans un domaine particulier. Ils utilisent à la fois des stratégies heuristiques et des faits pour résoudre des problèmes de prise de décision complexes de manière fiable et interactive.
Ils sont conçus pour résoudre des problèmes très complexes, en raisonnant à travers des bases de connaissances. Au lieu d'être représentés avec un code basé sur la procédure, ils le font essentiellement avec des règles If-Then.
Ils sont capables de s'exprimer et de raisonner sur un domaine de connaissances, ce qui leur permet de résoudre de nombreux problèmes qui nécessiteraient généralement un expert humain. Les systèmes experts ont été les prédécesseurs des systèmes actuels d'intelligence artificielle, d'apprentissage en profondeur et d'apprentissage automatique.
Un système expert ne peut pas se substituer à la performance globale d'un travailleur dans la résolution de problèmes. Cependant, ils peuvent réduire considérablement la quantité de travail que l'individu doit faire pour résoudre un problème, laissant aux gens les aspects créatifs et innovants de la résolution de problèmes..
Ils ont joué un rôle important dans de nombreux secteurs, tels que les services financiers, les télécommunications, la santé, le service client, les jeux vidéo et la fabrication..
Index des articles
Un système expert comprend deux sous-systèmes: une base de connaissances, qui contient les faits et expériences accumulés, et un moteur d'inférence, qui est un ensemble de règles à appliquer à la base de connaissances ou aux faits connus dans chaque situation particulière, afin d'en déduire de nouveaux. les faits.
Les capacités du système peuvent être améliorées avec des ajouts à la base de connaissances ou à l'ensemble de règles.
Par exemple, les systèmes experts d'aujourd'hui peuvent également avoir la capacité d'apprendre automatiquement, ce qui leur permet d'améliorer leurs performances en fonction de l'expérience, tout comme les humains..
De plus, les systèmes modernes peuvent intégrer plus facilement de nouvelles connaissances et ainsi être facilement mis à jour. Ces systèmes peuvent mieux généraliser à partir des connaissances existantes et gérer de grandes quantités de données complexes..
À la fin des années 1950, l'expérimentation a commencé avec la possibilité d'utiliser la technologie informatique pour imiter la prise de décision humaine. Par exemple, des systèmes assistés par ordinateur ont commencé à être créés pour des applications de diagnostic en médecine..
Ces systèmes de diagnostic initiaux entraient les symptômes du patient et les résultats des tests de laboratoire dans le système pour générer un diagnostic en conséquence. C'étaient les premières formes de systèmes experts.
Au début des années 60, des programmes ont été développés pour résoudre des problèmes bien définis. Par exemple, des jeux ou des traductions automatiques.
Ces programmes nécessitaient des techniques de raisonnement intelligentes pour traiter les problèmes logiques et mathématiques qui étaient présentés, mais ne nécessitaient pas beaucoup de connaissances supplémentaires..
Les chercheurs ont commencé à se rendre compte que pour résoudre de nombreux problèmes intéressants, les programmes devaient non seulement être capables d'interpréter les problèmes, mais également avoir besoin de connaissances de base pour les comprendre pleinement..
Cela a progressivement conduit au développement de systèmes experts, plus axés sur la connaissance.
Le concept de systèmes experts a été formellement développé en 1965 par Edward Feigenbaum, professeur à l'Université de Stanford, aux États-Unis..
Feigenbaum a expliqué que le monde passait du traitement des données au traitement des connaissances, grâce à la nouvelle technologie de processeur et aux architectures informatiques..
A la fin des années 60, l'un des premiers systèmes experts a été développé, appelé Dendral, traitant de l'analyse des composés chimiques.
Les connaissances de Dendral consistaient en des centaines de règles décrivant les interactions des composés chimiques. Ces règles sont le fruit d'années de collaboration entre chimistes et informaticiens.
Les systèmes experts ont commencé à proliférer dans les années 80. De nombreuses entreprises du Fortune 500 ont appliqué cette technologie dans leurs activités commerciales quotidiennes.
Dans les années 90, de nombreux fournisseurs d'applications métier, tels qu'Oracle et SAP, ont intégré les capacités des systèmes experts dans leur suite de produits afin d'expliquer la logique métier..
Un système expert doit offrir le plus haut niveau d'expertise. Fournit efficacité, précision et résolution de problèmes imaginative.
L'utilisateur interagit avec le système expert pendant une période de temps assez raisonnable. Le temps de cette interaction doit être inférieur au temps que met un expert pour obtenir la solution la plus précise pour le même problème..
Le système expert doit avoir une bonne fiabilité. Pour ce faire, vous ne devez faire aucune erreur.
Le système expert doit avoir un mécanisme efficace pour être en mesure de gérer le recueil de connaissances existant en lui..
Un système expert doit être capable de gérer des problèmes complexes et de prendre les bonnes décisions pour apporter des solutions..
C'est une collection organisée de données correspondant à l'étendue de l'expérience du système.
À travers des entretiens et des observations avec des experts humains, les faits qui composent la base de connaissances doivent être pris en compte.
Interprète et évalue les faits de la base de connaissances à travers des règles, afin de fournir une recommandation ou une conclusion.
Cette connaissance est représentée sous la forme de règles de production If-Then: "Si une condition est vraie, alors la déduction suivante peut être faite".
Souvent, un facteur de probabilité est attaché à la conclusion de chaque règle de production et à la recommandation finale, car la conclusion atteinte n'est pas une certitude absolue..
Par exemple, un système expert pour le diagnostic des maladies oculaires pourrait indiquer, sur la base des informations fournies, qu'une personne a un glaucome avec une probabilité de 90%.
En outre, la séquence des règles par lesquelles la conclusion a été tirée peut être affichée. Le suivi de cette chaîne permet d'évaluer la crédibilité de la recommandation et est utile comme outil d'apprentissage.
Dans ce système, la connaissance est représentée comme un ensemble de règles. La règle est une manière directe et flexible d'exprimer ses connaissances.
La règle se compose de deux parties: la partie «Si», appelée condition, et la partie «Alors», appelée déduction. La syntaxe de base d'une règle est: If (condition) Then (déduction).
Lorsque vous souhaitez exprimer des connaissances en utilisant des mots vagues tels que «très réduit», «moyennement difficile», «pas si ancien», vous pouvez utiliser la logique floue..
Cette logique est utilisée pour décrire une définition imprécise. Il est basé sur l'idée que tout est décrit sur une échelle mobile.
La logique classique fonctionne avec deux valeurs de certitude: Vrai (1) et Faux (0). En logique floue, toutes les valeurs de certitude sont exprimées sous forme de nombres réels dans l'intervalle entre 0 et 1.
La logique floue représente la connaissance basée sur un degré de véracité, plutôt que sur la véracité absolue de la logique classique..
Les avantages du système expert basé sur des règles combinent également les avantages du réseau neuronal, tels que l'apprentissage, la généralisation, la robustesse et le traitement parallèle de l'information..
Ce système a une base de connaissances neuronales, plutôt que la base de connaissances traditionnelles. Les connaissances sont stockées sous forme de poids dans les neurones.
Cette combinaison permet au système expert neuronal de justifier ses conclusions..
La logique floue et les réseaux de neurones sont des outils complémentaires pour la construction de systèmes experts.
Les systèmes flous n'ont pas la capacité d'apprendre et ne peuvent pas s'adapter à un nouvel environnement. D'un autre côté, bien que les réseaux de neurones puissent apprendre, leur processus est très compliqué pour l'utilisateur..
Les systèmes neuronaux flous peuvent combiner les capacités de calcul et d'apprentissage du réseau neuronal avec la représentation des connaissances humaines et les compétences d'explication des systèmes flous..
En conséquence, les réseaux de neurones deviennent plus transparents, tandis que le système flou devient capable d'apprendre..
Les systèmes experts sont facilement disponibles, n'importe où, n'importe quand, grâce à la production de masse du logiciel.
Une entreprise peut exploiter un système expert dans des environnements dangereux pour l'homme. Ils peuvent être utilisés dans tout environnement dangereux où les humains ne peuvent pas travailler.
Ils peuvent devenir un vecteur de développement des connaissances organisationnelles, contrairement aux connaissances des individus dans une entreprise.
Ils sont capables de donner une explication adéquate de leur prise de décision, en exprimant en détail le raisonnement qui a conduit à une réponse.
Lorsqu'ils sont utilisés comme outils de formation, ils se traduisent par une courbe d'apprentissage plus rapide pour les débutants.
Aide à obtenir des réponses rapides et précises. Un système expert peut accomplir sa part de tâches beaucoup plus rapidement qu'un expert humain.
Le taux d'erreur des systèmes experts performants est assez faible, parfois bien inférieur au taux d'erreur humaine pour la même tâche..
Les systèmes experts fonctionnent sans s'exciter. Ils ne sont pas tendus, fatigués ou paniqués, et ils travaillent régulièrement pendant les situations d'urgence.
Le système expert maintient un niveau d'information important. Cette connaissance contenue durera indéfiniment.
Avec un système expert, il est possible de saisir certaines règles et de développer un prototype en quelques jours, au lieu des mois ou des années généralement associés à des projets informatiques complexes.
Le système expert peut être conçu pour contenir les connaissances de nombreux experts qualifiés et avoir ainsi la capacité de résoudre des problèmes complexes.
Cela réduit les frais de consultation de consultants experts en résolution de problèmes. Ils sont un véhicule pour obtenir des sources de connaissances difficiles à obtenir.
Il est toujours difficile d'obtenir le temps d'experts dans des domaines particuliers pour toute application logicielle, mais pour les systèmes experts, c'est particulièrement difficile, car les experts sont très appréciés et constamment sollicités par les organisations..
En conséquence, un grand nombre de recherches ces dernières années se sont concentrées sur des outils d'acquisition de connaissances, qui permettent d'automatiser le processus de conception, de débogage et de maintenance des règles définies par des experts..
L'intégration des systèmes avec les bases de données a été difficile pour les premiers systèmes experts, car les outils étaient principalement dans des langages et des plates-formes inconnus dans les environnements d'entreprise.
En conséquence, un grand effort a été fait pour intégrer des outils de systèmes experts aux environnements hérités, en effectuant le transfert vers des plates-formes plus standard..
Ces problèmes ont été principalement résolus par le changement de paradigme, les PC étant progressivement acceptés dans l'environnement informatique comme une plate-forme légitime pour le développement de systèmes d'entreprise sérieux..
L'augmentation de la taille de la base de connaissances augmente la complexité du traitement.
Par exemple, si un système expert a 100 millions de règles, il est évident que ce serait trop complexe et qu'il serait confronté à de nombreux problèmes de calcul..
Un moteur d'inférence devrait être capable de traiter un grand nombre de règles pour prendre une décision.
Lorsqu'il y a trop de règles, il est également difficile de vérifier que ces règles de décision sont cohérentes les unes avec les autres..
Il est également difficile de prioriser l'utilisation des règles pour fonctionner plus efficacement, ou comment résoudre les ambiguïtés..
Un problème lié à la base de connaissances est de savoir comment effectuer des mises à jour rapidement et efficacement. Aussi, comment ajouter une nouvelle connaissance, c'est-à-dire où l'ajouter parmi tant de règles.
Résume tous les systèmes qui déduisent des défaillances et suggère des actions correctives pour un processus ou un appareil défectueux.
L'un des premiers domaines de connaissances où la technologie des systèmes experts a été appliquée a été le diagnostic médical. Cependant, les diagnostics des systèmes d'ingénierie ont rapidement surpassé les diagnostics médicaux.
Le diagnostic peut être exprimé comme suit: compte tenu des preuves présentées, quel est le problème sous-jacent, la raison ou la cause?
Ces systèmes experts analysent un ensemble d'objectifs pour déterminer un ensemble d'actions qui atteignent ces objectifs, en fournissant un ordre détaillé de ces actions au fil du temps, en tenant compte des matériaux, du personnel et d'autres restrictions..
Les exemples incluent le personnel des compagnies aériennes et la planification des vols et la planification des processus de fabrication.
Des systèmes de conseil financier ont été créés pour aider les banquiers à déterminer s’il convient d’accorder des prêts aux particuliers et aux entreprises..
Les compagnies d'assurance utilisent ces systèmes experts pour évaluer le risque que présente le client et ainsi déterminer le prix de l'assurance.
Ils analysent les données des appareils physiques en temps réel, afin de détecter les anomalies, prédire les tendances et contrôler à la fois l'optimisation et la correction des défauts.
Des exemples de ces systèmes se trouvent dans les industries du raffinage du pétrole et de la sidérurgie..
La fonction principale de cette application est de fournir des connaissances significatives sur le problème de l'utilisateur, dans l'environnement de ce problème..
Les deux systèmes experts les plus diffusés dans le monde appartiennent à cette catégorie..
Le premier de ces systèmes est un conseiller qui conseille l'utilisateur sur l'utilisation correcte de la grammaire dans un texte.
Le second est un conseiller fiscal attaché à un système de préparation des impôts. Conseille l'utilisateur sur la stratégie et les politiques fiscales particulières.
Personne n'a encore commenté ce post.