Hvordan implementere ekspertsystem innen kunstig intelligens?

Ekspert system i er begrep som gjør runder av teknologiverden og av alle gode grunner. I denne artikkelen vil vi utforske dette emnet i detalj.

Følgende tips vil bli dekket i denne artikkelen,

• Hva er kunstig intelligens?
• Ekspert system innen kunstig intelligens
• Domener der ekspertsystemer brukes
• Hovedområder
• Tre trinn med å designe ES
• Fordeler Ulemper og begrensninger

Så la oss komme i gang med denne artikkelen,

Hva er kunstig intelligens?

Normalt antyder navnet kunstig intelligens intelligensen til en maskin som er kunstig. Intelligensen som menneskene har er kjent som menneskelig intelligens, som på samme måte som intelligensen demonstrert av en maskin er kjent som kunstig intelligens. I informatikk. Kunstig intelligens (AI), noen ganger kalt maskinintelligens. Forskningsfeltet for kunstig intelligens ble født på et verksted ved Dartmouth College i 1956.

Anvendelser av kunstig intelligens i den virkelige verden:

Chatbots som SIRI, CORTANA som har fått så mye popularitet i dag. Andre eksempler som EVA (Electronic Virtual Assistant), en AI-basert chatbot utviklet av HDFC-bankers AI-forskningsavdeling som kan samle kunnskap fra tusenvis av kilder og gi enkle svar på mindre enn 0,4 sekunder. Det er så mange eksempler på AI-applikasjoner du finner i forskjellige felt i samfunnet vårt.

Fortsetter med dette ekspertsystemet innen kunstig intelligens,

Ekspert system innen kunstig intelligens

Hva er et ekspertsystem?

Forskere ved Standford University, Institutt for informatikk har introdusert dette domenet av AI, og det er et fremtredende forskningsdomene for AI. Det er et dataprogram som kan løse de mest komplekse problemene i et bestemt domene. Det regnes som det høyeste nivået av menneskelig intelligens og ekspertise, da det er basert på kunnskap tilegnet fra en ekspert. Expert System kan også defineres som et databasebasert beslutningssystem som kan løse komplekse beslutningsproblemer ved å bruke både fakta og heuristikk.

Fortsetter med dette ekspertsystemet innen kunstig intelligens,

Domener der ekspertsystemer brukes

Expert Systems i dag

American Medical Association har godkjent det første ekspertsystemet som var Pathfinder-systemet. Det ble bygget Standford University i 1980, for hematopatologisk diagnose. Dette beslutningsteoretiske ekspertsystemet i korte trekk Pathfinder kan diagnostisere lymfeknute sykdommer. Til slutt behandler den over 60 sykdommer og kan gjenkjenne over 100 symptomer.

Ekspert system i virksomheten

Nylig utviklet et ekspertsystem ROSS, AI-advokaten, ROSS er et selvlæringssystem som bruker datamining, mønstergjenkjenning, dyp læring og naturlig språkbehandling for å etterligne måten den menneskelige hjerne fungerer på.

Fortsetter med dette ekspertsystemet innen kunstig intelligens,

Hovedområder

• Tolkning - trekke konklusjoner på høyt nivå basert på data.
• Prediksjon - projisere sannsynlige resultater.
• Diagnose - bestemme årsaken til funksjonsfeil, sykdom, etc.
• Design -værending best konfigurasjon basert på kriterier.
• Planlegging - foreslå en rekke tiltak for å oppnå et mål.
• Overvåking - sammenligne observert atferd med forventet atferd.
• Feilsøking og reparasjon - forskrivning og implementering av rettsmidler.
• Instruksjon - å hjelpe studenter i læring.
• Kontroll - styrer oppførselen til et system.

Formålet med ekspertsystemet

Hovedformålet med et ekspertsystem er å tilegne seg kunnskap fra menneskelige eksperter og å gjenskape den kunnskapen og ferdighetene til menneskelig ekspert i et bestemt område. Da vil systemet bruke den kunnskapen og ferdighetene til å løse komplekse problemer i det aktuelle området uten at menneskelige eksperter deltar.

Kjennetegn ved ekspertsystemer

kan du kaste en dobbel til en int

• Høy ytelse
• Forståelig
• Pålitelig
• Svært responsiv

Hovedkomponenter i et regelbasert eller et ekspertsystem

Hovedkomponentene er:

• Kunnskapsbase
• Arbeidsminne
• Inferensmotor
• Forklaringssystem
• Brukergrensesnitt
• Kunnskapsbaseditor

Fortsetter med dette ekspertsystemet innen kunstig intelligens,

Tre trinn med å designe ES

Kunnskapsinnhenting:

Prosessen med å få kunnskap fra eksperter ved å intervjue eller ved å observere menneskelige eksperter, lese spesifikke bøker, etc.

Kunnskapsbase:

Kunnskapsbasen er en beholder med kunnskap av høy kvalitet. Ferdigheter utvikles gjennom praksis og intelligens kommer fra kunnskap uten kunnskap man ikke kan bevise eller man ikke kan vise sin intelligens, så kunnskap er veldig viktig for å utvikle ferdigheter og for å vise intelligens. På samme måte som det kreves kunnskap for at maskinen også skal vise sin intelligens. Nøyaktigheten av prediksjon og også ytelsen til systemet er i høyeste grad avhengig av innsamling av perfekt, nøyaktig og presis kunnskap.

Hva er nå kunnskap?

Kunnskap er data eller informasjon. For oss mennesker ved å lese artikler og lese bøker eller fra forskjellige ressurser brukte vi til å samle kunnskap hvis vi kan se prosessen med å skaffe og berike kunnskap i detalj, så vil vi finne at ved å lese bøker eller lese artikler eller fra andre ressurser vi er henter og henter ut data og informasjon fra forskjellige kilder som vi deretter lagret i hjernen vår. Så kunnskap er data, kunnskap er informasjon. Kunnskap er også samling av fakta.

Data, informasjon og tidligere erfaring kombinert sammen blir betegnet som kunnskap.

hva er big data hadoop

Kunnskapsrepresentasjon:

Kunnskapsrepresentasjon er metoden for å velge de mest passende strukturene for å representere kunnskapen. Det er metoden for å organisere og formalisere kunnskap i kunnskapsbasen. Det gjøres i form av IF-THEN-ELSE regler.

Kunnskapsvalidering:

Å teste kunnskapen om ES er riktig og fullstendig.Hele denne prosessen kalles kunnskapsteknikk.

Inferensmotor:

I tilfelle kunnskapsbasert ES tilegner seg og manipulerer Inference Engine kunnskapen fra kunnskapsbasen for å komme fram til en bestemt løsning.

Ved regelbasert ES,

• Den bruker regler gjentatte ganger på fakta, som er hentet fra tidligere regelanvendelse.
• Det tilfører ny kunnskap i kunnskapsbasen om nødvendig.
• Det løser reglekonflikt når flere regler gjelder for en bestemt sak.

Inference Engine bruker følgende strategier og minus

• Fremoverkjetting
• Bakoverkjetting

Fremoverkjetting

I fremoverkjetting gir inferensmotoren resultatet ved å følge kjeden av betingelser og avledninger. Uansett hvilken kunnskap som blir matet i systemet, går den gjennom alle kunnskapene og fakta og sorterer dem før den konkluderer med en løsning. Ved fremoverkjedingsmetode prøver ekspertsystemet å svare: 'Hva kan skje videre?'

Anvendelse av forward chaining: Forutsigelse av boligpris, aksjeprognose, prediksjon av aksjemarkedet etc.

Bakoverkjetting

Når noe har skjedd i et bestemt domene, prøver Inference Engine å finne ut hvilken tilstand som kunne ha skjedd tidligere for dette resultatet. Ved tilbakekjæringsmetode prøver ekspertsystemet å svare: 'Hvorfor skjedde dette?'. Ved bakoverkjedet metode forsøker motoren å finne ut årsaken eller årsaken.

For eksempel: diagnose av blodkreft hos mennesker.

Fordeler Ulemper og begrensninger

Fordeler med ekspertsystem

1. Ha store mengder informasjon
2. Minimer opplæringskostnader for ansatte
3. Sentraliser beslutningsprosessen
4. Gjør ting mer effektive ved å redusere tiden det tar å løse problemer
5. Kombiner ulike menneskelige ekspert intelligenser
6. Reduser antall menneskelige feil
7. Gi strategiske og komparative fordeler som kan skape problemer for konkurrentene
8. Se over transaksjoner som menneskelige eksperter kanskje ikke tenker på
9. Gi svar på beslutninger, prosesser og oppgaver som er repeterende

Ulemper med ekspertsystem:

1. Mangel på kreative svar som menneskelige eksperter er i stand til
2. Ikke i stand til å forklare logikken og resonnementet bak en beslutning
3. Det er ikke lett å automatisere komplekse prosesser
4. Det er ingen fleksibilitet og evne til å tilpasse seg skiftende miljøer
5. Kan ikke gjenkjenne når det ikke er noe svar
6. Ingen sunn fornuft brukt i å ta beslutninger

Begrensninger:

• Det klarer ikke å gi kreative svar, ettersom det er en maskin.
• Hvis dataene som ble matet inn i kunnskapsbasen ikke er nøyaktige eller korrekte, vil det gi feil spådommer og feil resultat.
• Vedlikeholdskostnadene for ekspertsystemet er høye.
• Når forskjellige problemer kommer, kan menneskelig ekspert gi forskjellige forskjellige løsninger og kreative svar, men ekspertsystemet gir ikke kreative svar.

Dette bringer oss til slutten av denne artikkelen om ekspertsystemer i kunstig intelligens.

Hvis du ønsker å melde deg på et komplett kurs om kunstig intelligens og maskinlæring, har Edureka en spesialkurat som vil gjøre deg dyktig i teknikker som Overvåket læring, Uovervåket læring og Naturlig språkbehandling. Det inkluderer opplæring i de siste fremskrittene og tekniske tilnærminger innen kunstig intelligens og maskinlæring som dyp læring, grafiske modeller og forsterkningslæring.