stringtranslate.com

Экспертная система

Машина Symbolics 3640 Lisp : ранняя (1984 г.) платформа для экспертных систем.

В области искусственного интеллекта экспертная система — это компьютерная система, имитирующая способность человека- эксперта принимать решения . [1] Экспертные системы предназначены для решения сложных проблем путем рассуждения с помощью массивов знаний, представленных в основном в виде правил «если-то» , а не посредством обычного процедурного кода . [2] Первые экспертные системы были созданы в 1970-х годах, а затем получили распространение в 1980-х годах. [3] Экспертные системы были одними из первых по-настоящему успешных форм программного обеспечения искусственного интеллекта (ИИ). [4] [5] [6] [7] [8] Экспертная система делится на две подсистемы: механизм вывода и база знаний . База знаний представляет факты и правила. Механизм вывода применяет правила к известным фактам, чтобы вывести новые факты. Механизмы вывода также могут включать в себя возможности объяснения и отладки.

История

Ранняя разработка

Вскоре после появления современных компьютеров в конце 1940-х и начале 1950-х годов исследователи начали осознавать огромный потенциал, который эти машины имеют для современного общества. Одной из первых задач было сделать такие машины способными «думать» как люди – в частности, сделать эти машины способными принимать важные решения так, как это делают люди. В сфере медицины/здравоохранения возникла непростая задача: дать возможность этим машинам принимать решения по медицинской диагностике. [9]

Таким образом, в конце 1950-х годов, сразу после наступления информационной эпохи, исследователи начали экспериментировать с перспективой использования компьютерных технологий для имитации принятия решений человеком. Например, биомедицинские исследователи начали создавать компьютерные системы для диагностических приложений в медицине и биологии. Эти системы ранней диагностики использовали симптомы пациентов и результаты лабораторных исследований в качестве входных данных для получения диагностических результатов. [10] [11] Эти системы часто описывали как ранние формы экспертных систем. Однако исследователи поняли, что существуют существенные ограничения при использовании традиционных методов, таких как блок-схемы, [12] [13] статистическое сопоставление с образцом [14] или теория вероятностей. [15] [16]

Официальное введение и последующие разработки

Эта предыдущая ситуация постепенно привела к развитию экспертных систем, в которых использовались подходы, основанные на знаниях. Такими экспертными системами в медицине были экспертная система MYCIN , [17] экспертная система « Интернист -I» [18] , а позже, в середине 1980-х годов, CADUCEUS . [19]

Экспертные системы были официально представлены примерно в 1965 году Стэнфордским проектом эвристического программирования, возглавляемым Эдвардом Фейгенбаумом , которого иногда называют «отцом экспертных систем»; [20] Другими ключевыми ранними участниками были Брюс Бьюкенен и Рэндалл Дэвис. Исследователи из Стэнфорда попытались определить области, в которых опыт высоко ценился и был сложным, например, диагностика инфекционных заболеваний ( мицин ) и идентификация неизвестных органических молекул ( дендрал ). [21] Идея о том, что «интеллектуальные системы черпают свою силу из знаний, которыми они обладают, а не из конкретных формализмов и схем вывода, которые они используют» [22] – как сказал Фейгенбаум – была в то время значительным шагом вперед, поскольку прошлые исследования был сосредоточен на эвристических вычислительных методах, кульминацией которых стали попытки разработать средства решения проблем очень общего назначения (прежде всего, совместная работа Аллена Ньюэлла и Герберта Саймона ). [23] Экспертные системы стали одними из первых по-настоящему успешных форм программного обеспечения искусственного интеллекта (ИИ). [4] [5] [6] [7] [8]

Исследования экспертных систем также активно проводились в Европе. В США основное внимание, как правило, уделялось использованию систем производственных правил , сначала систем, жестко закодированных поверх сред программирования LISP , а затем оболочек экспертных систем, разработанных такими поставщиками, как Intellicorp . В Европе исследования больше фокусировались на системах и оболочках экспертных систем, разработанных на Прологе . Преимущество систем Пролога заключалось в том, что они использовали форму программирования на основе правил , основанную на формальной логике . [24] [25]

Одной из таких ранних оболочек экспертной системы на основе Пролога была APES. [26] Один из первых случаев использования Пролога и APES был в юридической сфере, а именно, кодирование значительной части Закона о британском гражданстве. Лэнс Эллиот писал: «Закон о британском гражданстве был принят в 1981 году и вскоре после этого использовался как средство демонстрации эффективности использования методов и технологий искусственного интеллекта (ИИ). Закон может быть закодирован в компьютеризированную формальную форму, основанную на логике. Часто цитируемая сейчас исследовательская работа под названием «Закон о британском гражданстве как логическая программа» была опубликована в 1986 году и впоследствии стала визитной карточкой последующих работ в области ИИ и права».[27] [28]

В 1980-е годы экспертные системы получили широкое распространение. Университеты предлагали курсы по экспертным системам, а две трети компаний из списка Fortune 500 применяли эти технологии в повседневной деловой деятельности. [3] [29] Интерес был международным благодаря проекту «Компьютерные системы пятого поколения» в Японии и увеличению финансирования исследований в Европе.

В 1981 году был представлен первый IBM PC с операционной системой PC DOS . [30] Дисбаланс между высокой доступностью относительно мощных чипов для ПК и гораздо более высокой стоимостью вычислительной мощности в мэйнфреймах, которые доминировали в то время в мире корпоративных ИТ, создал новый тип архитектуры для корпоративных вычислений. , называемую моделью клиент-сервер . [31] Расчеты и рассуждения могут быть выполнены за небольшую часть стоимости мэйнфрейма с использованием ПК. Эта модель также позволила бизнес-подразделениям обойти корпоративные ИТ-отделы и напрямую создавать свои собственные приложения. В результате клиент-сервер оказал колоссальное влияние на рынок экспертных систем. Экспертные системы уже были исключением в большей части делового мира, требуя новых навыков, которых многие ИТ-отделы не имели и не стремились развивать. Они идеально подходили для новых оболочек на базе ПК, которые обещали передать разработку приложений в руки конечных пользователей и экспертов. До этого основной средой разработки экспертных систем были высокопроизводительные Lisp-машины от Xerox , Symbolics и Texas Instruments . С развитием ПК и клиент-серверных вычислений такие поставщики, как Intellicorp и Inference Corporation, сместили свои приоритеты в сторону разработки инструментов на базе ПК. Также стали регулярно появляться новые вендоры, часто финансируемые венчурным капиталом (такие как Aion Corporation, Neuron Data , Exsys и многие другие [32] [33] ).

Первой экспертной системой, которая использовалась при проектировании крупномасштабного продукта, была программа SID (Synthesis of Integral Design), разработанная в 1982 году. Написанная на LISP , SID генерировала 93% логических элементов ЦП VAX 9000 . [34] Входными данными для программного обеспечения был набор правил, созданный несколькими опытными разработчиками логики. SID расширил правила и создал процедуры синтеза программной логики , во много раз превышающие размер самих правил. Удивительно, но сочетание этих правил привело к созданию общей конструкции, которая превосходила возможности самих экспертов и во многих случаях превосходила человеческие аналоги. Хотя некоторые правила противоречили другим, решающую роль сыграли параметры контроля скорости и площади верхнего уровня. Программа вызвала большие споры, но, тем не менее, использовалась из-за ограничений бюджета проекта. Он был прекращен разработчиками логики после завершения проекта VAX 9000.

До середины 1970-х годов ожидания относительно того, чего могут достичь экспертные системы во многих областях, были чрезвычайно оптимистичными. В начале этих ранних исследований исследователи надеялись разработать полностью автоматические (то есть полностью компьютеризированные) экспертные системы. Ожидания людей относительно того, на что способны компьютеры, часто были слишком идеалистическими. Эта ситуация радикально изменилась после того, как Ричард М. Карп опубликовал свою революционную статью «Сводимость среди комбинаторных задач» в начале 1970-х годов. [35] Благодаря работе Карпа вместе с другими учёными, такими как Хьюберт Л. Дрейфус, [36] стало ясно, что существуют определенные ограничения и возможности при разработке компьютерных алгоритмов. Его выводы описывают, что компьютеры могут и чего они не могут. Многие вычислительные проблемы, связанные с экспертными системами этого типа, имеют определенные прагматические ограничения. Эти результаты заложили основу, которая привела к следующим разработкам в этой области. [9]

В 1990-е годы и позднее термин «экспертная система» и идея автономной системы искусственного интеллекта практически исчезли из лексикона ИТ. Есть две интерпретации этого. Во-первых, «экспертные системы потерпели неудачу»: мир информационных технологий пошел дальше, потому что экспертные системы не оправдали своих разрекламированных обещаний. [37] [38] Другой является зеркальной противоположностью: экспертные системы стали просто жертвами своего успеха: по мере того, как ИТ-специалисты освоили такие концепции, как механизмы правил, такие инструменты превратились из автономных инструментов для разработки экспертных систем специального назначения в единые. многих стандартных инструментов. [39] Другие исследователи предполагают, что Expert Systems вызвала борьбу за власть между компаниями, когда ИТ-организация потеряла право на модификацию программного обеспечения для пользователей или инженеров по знаниям. [40]

В первом десятилетии 2000-х годов произошло «возрождение» этой технологии, хотя использовался термин « системы, основанные на правилах» , со значительными историями успеха и внедрением. [41] Многие ведущие поставщики пакетов бизнес-приложений (такие как SAP , Siebel и Oracle ) интегрировали возможности экспертных систем в свои наборы продуктов как способ определения бизнес-логики — механизмы правил больше не предназначены просто для определения правил и эксперт будет использовать только для любого типа сложной, нестабильной и критической бизнес-логики; они часто идут рука об руку со средами автоматизации бизнес-процессов и интеграции. [42] [43] [44]

Современные подходы к экспертным системам

Ограничения предыдущего типа экспертных систем побудили исследователей разрабатывать новые типы подходов. Они разработали более эффективные, гибкие и мощные подходы для моделирования процесса принятия решений человеком. Некоторые из разработанных исследователями подходов основаны на новых методах искусственного интеллекта (ИИ), в частности на подходах машинного обучения и интеллектуального анализа данных с механизмом обратной связи. [45] Рекуррентные нейронные сети часто используют преимущества таких механизмов. С этим связано обсуждение раздела недостатков.

Современные системы могут легче включать новые знания и, следовательно, легко обновляться. Такие системы могут лучше обобщать существующие знания и работать с огромными объемами сложных данных. Здесь связана тема больших данных . Иногда экспертные системы такого типа называют «интеллектуальными системами». [9]

В последнее время можно утверждать, что экспертные системы перешли в область бизнес-правил и систем управления бизнес-правилами . Об этом рассказывает Роландо Эрнандес в своем блоге. [46]

Архитектура программного обеспечения

Иллюстрирующий пример обратной цепочки из магистерской диссертации 1990 года [47]

Экспертная система является примером системы, основанной на знаниях . Экспертные системы были первыми коммерческими системами, использовавшими архитектуру, основанную на знаниях. В общем виде экспертная система включает в себя следующие компоненты: базу знаний , машину вывода , средство объяснения, средство получения знаний и пользовательский интерфейс. [48] ​​[49]

База знаний представляет факты о мире. В ранних экспертных системах, таких как Mycin и Dendral, эти факты представлялись в основном как простые утверждения о переменных. В более поздних экспертных системах, разработанных с использованием коммерческих оболочек, база знаний приобрела более структурированную структуру и использовала концепции объектно-ориентированного программирования. Мир был представлен в виде классов, подклассов, а экземпляры и утверждения были заменены значениями экземпляров объектов. Правила работали путем запроса и утверждения значений объектов.

Механизм вывода — это автоматизированная система рассуждений , которая оценивает текущее состояние базы знаний, применяет соответствующие правила, а затем утверждает новые знания в базе знаний. Механизм вывода также может включать в себя возможности объяснения, так что он может объяснить пользователю цепочку рассуждений, использованную для достижения определенного вывода, прослеживая действие правил, которые привели к утверждению. [50]

В основном существует два режима работы механизма вывода: прямая цепочка и обратная цепочка . Различные подходы определяются тем, управляется ли механизм вывода антецедентом (левая часть) или консеквентом (правая часть) правила. При прямом соединении антецедент срабатывает и утверждает консеквент. Например, рассмотрим следующее правило:

Простым примером прямой цепочки было бы утверждение Человека (Сократа) в системе, а затем запуск механизма вывода. Он будет соответствовать R1 и внесет Смертного (Сократа) в базу знаний.

Обратная цепочка немного менее прямолинейна. При обратной цепочке система рассматривает возможные выводы и работает в обратном направлении, чтобы увидеть, могут ли они быть правдой. Таким образом, если бы система пыталась определить, правдив ли «Смертный (Сократ)», она нашла бы R1 и запросила бы базу знаний, чтобы узнать, правдив ли «Человек (Сократ)». Одной из первых инноваций оболочек экспертных систем была интеграция механизмов вывода с пользовательским интерфейсом. Это может быть особенно эффективно при обратной цепочке. Если системе необходимо знать конкретный факт, но она этого не делает, она может просто сгенерировать экран ввода и спросить пользователя, известна ли информация. Итак, в этом примере он мог бы использовать R1, чтобы спросить пользователя, был ли Сократ человеком, а затем соответствующим образом использовать эту новую информацию.

Использование правил для явного представления знаний также дало возможность объяснять. В приведенном выше простом примере, если система использовала R1, чтобы утверждать, что Сократ был смертным, и пользователь хотел понять, почему Сократ был смертным, он мог запросить систему, и система оглядывалась бы на правила, которые сработали, чтобы вызвать такое утверждение, и представила бы их. правила пользователю в качестве пояснения. На английском языке, если пользователь спрашивает: «Почему Сократ смертен?» система ответила бы: «Потому что все люди смертны, а Сократ - человек». Важной областью исследований было создание объяснений из базы знаний на естественном английском языке, а не просто демонстрация более формальных, но менее интуитивных правил. [51]

По мере развития экспертных систем в различные типы механизмов вывода было включено множество новых методов. [52] Некоторые из наиболее важных из них были:

Преимущества

Цель систем, основанных на знаниях, состоит в том, чтобы сделать критически важную информацию, необходимую для работы системы, явной, а не неявной. [55] В традиционной компьютерной программе логика встроена в код, который обычно может просмотреть только ИТ-специалист. Цель экспертной системы заключалась в том, чтобы определить правила в формате, который был бы интуитивно понятным и легко понимаемым, просматриваемым и даже редактируемым экспертами в предметной области, а не ИТ-специалистами. Преимуществами такого явного представления знаний были быстрая разработка и простота обслуживания.

Простота обслуживания является наиболее очевидным преимуществом. Это было достигнуто двумя способами. Во-первых, устраняя необходимость писать обычный код, можно избежать многих обычных проблем, которые могут быть вызваны даже небольшими изменениями в системе, с помощью экспертных систем. По сути, логический ход программы (по крайней мере, на самом высоком уровне) был просто задан для системы, достаточно просто вызвать механизм вывода. Это также стало причиной второго преимущества: быстрого прототипирования . С помощью оболочки экспертной системы можно было ввести несколько правил и разработать прототип за несколько дней, а не месяцев или лет, обычно связанных со сложными ИТ-проектами.

В отношении оболочек экспертных систем часто утверждалось, что они устраняют необходимость в обученных программистах и ​​что эксперты могут сами разрабатывать системы. На самом деле это было правдой редко, если вообще когда-либо. Хотя правила экспертной системы были более понятными, чем типичный компьютерный код, они все же имели формальный синтаксис, в котором неуместная запятая или другой символ могли вызвать хаос, как и в любом другом компьютерном языке. Кроме того, по мере того как экспертные системы перешли от прототипов в лаборатории к внедрению в деловом мире, вопросы интеграции и обслуживания стали гораздо более важными. Неизбежно возникла потребность в интеграции и использовании больших устаревших баз данных и систем. Для этого интеграция требовала тех же навыков, что и любой другой тип системы. [56]

Подводя итоги преимуществ использования экспертных систем, можно выделить следующие: [48]

  1. Повышенная доступность и надежность: доступ к экспертным знаниям возможен на любом компьютерном оборудовании, и система всегда своевременно предоставляет ответы.
  2. Множественная экспертиза: для решения проблемы можно одновременно запускать несколько экспертных систем. и получить более высокий уровень знаний, чем человек-эксперт.
  3. Пояснение: Экспертные системы всегда описывают, как была решена проблема.
  4. Быстрое реагирование: экспертные системы работают быстро и способны решить проблему в режиме реального времени.
  5. Снижение стоимости: стоимость экспертизы для каждого пользователя значительно снижается.

Недостатки

Наиболее распространенным недостатком экспертных систем, упоминаемым в научной литературе, является проблема приобретения знаний . Получить время экспертов предметной области для любого программного приложения всегда сложно, но для экспертных систем это было особенно сложно, поскольку эксперты по определению высоко ценились и пользовались постоянным спросом со стороны организации. В результате этой проблемы большое количество исследований в последние годы развития экспертных систем было сосредоточено на инструментах получения знаний, помогающих автоматизировать процесс проектирования, отладки и поддержки правил, определенных экспертами. Однако, если взглянуть на жизненный цикл экспертных систем в реальном использовании, другие проблемы (по сути те же, что и проблемы любой другой большой системы) кажутся не менее важными, чем приобретение знаний: интеграция, доступ к большим базам данных и производительность. [57] [58]

Производительность могла быть особенно проблематичной, поскольку ранние экспертные системы создавались с использованием инструментов (таких как более ранние версии Lisp), которые интерпретировали выражения кода без их предварительной компиляции. Это обеспечивало мощную среду разработки, но с тем недостатком, что было практически невозможно сравниться по эффективности с самыми быстрокомпилируемыми языками (такими как C ). Интеграция системы и базы данных была трудной для ранних экспертных систем, поскольку инструменты в основном были на языках и платформах, которые были не знакомы и не приветствовались в большинстве корпоративных ИТ-сред — языки программирования, такие как Lisp и Prolog, и аппаратные платформы, такие как Lisp-машины и персональные компьютеры. . В результате большие усилия на более поздних этапах разработки инструментов экспертных систем были сосредоточены на интеграции с устаревшими средами, такими как COBOL и большие системы баз данных, а также на портировании на более стандартные платформы. Эти проблемы были решены главным образом за счет смены парадигмы клиент-сервер, поскольку ПК постепенно были приняты в ИТ-среде как законная платформа для разработки серьезных бизнес-систем, а доступные по цене мини-компьютеры- серверы обеспечивали вычислительную мощность, необходимую для приложений ИИ. [56]

Другая серьезная проблема экспертных систем возникает, когда размер базы знаний увеличивается. Это приводит к увеличению сложности обработки. Например, когда экспертная система со 100 миллионами правил рассматривалась как совершенная экспертная система, стало очевидно, что такая система будет слишком сложной и столкнется со слишком большим количеством вычислительных проблем. [59] Для принятия решения машина вывода должна быть способна обрабатывать огромное количество правил.

Как проверить, что правила принятия решений согласуются друг с другом, также является проблемой, когда правил слишком много. Обычно такая проблема приводит к формулировке выполнимости (SAT). [60] Это хорошо известная NP-полная проблема. Проблема булевой выполнимости . Если мы предполагаем только двоичные переменные , скажем, n из них, и тогда соответствующее пространство поиска будет иметь размер 2 . Таким образом, пространство поиска может расти в геометрической прогрессии.

Также возникают вопросы о том, как расставить приоритеты в использовании правил, чтобы работать более эффективно, или как устранить двусмысленности (например, если в одном правиле слишком много подструктур else-if) и так далее. [61]

Другие проблемы связаны с эффектами переобучения и чрезмерного обобщения при использовании известных фактов и попытках обобщения на другие случаи, не описанные явно в базе знаний. Подобные проблемы существуют и с методами, использующими подходы машинного обучения. [62] [63]

Другая проблема, связанная с базой знаний, заключается в том, как быстро и эффективно обновлять ее знания. [64] [65] [66] Также непростой задачей является то, как добавить новую часть знаний (т. е. где ее добавить среди множества правил). Современные подходы , основанные на методах машинного обучения, в этом отношении проще .

Из-за вышеперечисленных проблем стало ясно, что вместо технологий, основанных на правилах, необходимы новые подходы к ИИ. Эти новые подходы основаны на использовании методов машинного обучения, а также на использовании механизмов обратной связи. [9]

Ключевые проблемы, с которыми экспертные системы в медицине (если рассматривать системы компьютерной диагностики как современные экспертные системы) и, возможно, в других областях применения, включают проблемы, связанные с такими аспектами, как: большие данные, существующие нормативные акты, практика здравоохранения, различные алгоритмические проблемы. и оценка системы. [67]

Наконец, можно резюмировать следующие недостатки использования экспертных систем: [48]

  1. Экспертные системы обладают поверхностными знаниями, и простая задача потенциально может оказаться дорогостоящей в вычислительном отношении.
  2. Экспертные системы требуют, чтобы инженеры по знаниям вводили данные, сбор данных очень сложен.
  3. Экспертная система может выбрать наиболее неподходящий метод решения той или иной задачи.
  4. Проблемы этики использования любых форм ИИ в настоящее время весьма актуальны.
  5. Это закрытый мир со специфическими знаниями, в котором нет глубокого восприятия понятий и их взаимосвязей до тех пор, пока их не предоставит эксперт.

Приложения

Хейс-Рот делит приложения экспертных систем на 10 категорий, показанных в следующей таблице. Примеры приложений не вошли в первоначальную таблицу Хейса-Рота, а некоторые из них возникли значительно позже. Любое применение, не упомянутое в сносках, описано в книге Хейса-Рота. [50] Кроме того, хотя эти категории обеспечивают интуитивную основу для описания области приложений экспертных систем, они не являются жесткими категориями, и в некоторых случаях приложение может демонстрировать черты более чем одной категории.

Hearsay была ранней попыткой решить проблему распознавания голоса с помощью экспертного системного подхода. По большей части эта категория экспертных систем оказалась не такой уж успешной. Слухи и все системы интерпретации по сути являются системами распознавания образов, которые ищут закономерности в зашумленных данных. В случае Hearsay распознает фонемы в аудиопотоке. Другими ранними примерами были анализ данных гидролокаторов для обнаружения российских подводных лодок. Подобные системы оказались гораздо более пригодными для решения на базе нейронных сетей , чем для подхода, основанного на правилах.

CADUCEUS и MYCIN были системами медицинской диагностики. Пользователь описывает свои симптомы компьютеру так же, как если бы он говорил врачу, и компьютер выдавал медицинский диагноз.

Дендрал был инструментом для изучения формирования гипотез при идентификации органических молекул. Общая проблема, которую он решал — разработка решения с учетом ряда ограничений — была одной из наиболее успешных областей для первых экспертных систем, применяемых в таких сферах бизнеса, как настройка продавцами компьютеров VAX Digital Equipment Corporation (DEC) и разработка заявок на ипотечные кредиты.

SMH.PAL — экспертная система оценки учащихся с множественной инвалидностью. [77]

GARVAN-ES1 — медицинская экспертная система, разработанная в Гарванском институте медицинских исследований , которая предоставляла автоматизированные клинические диагностические комментарии к эндокринным отчетам из патологоанатомической лаборатории. Это была одна из первых медицинских экспертных систем, вошедших в рутинную клиническую практику на международном уровне [73], и первая экспертная система, которая ежедневно использовалась для диагностики в Австралии. [83] Система была написана на «C» и работала на PDP-11 с 64 КБ памяти. Было составлено 661 правило; не интерпретируется.

Mistral [69] — экспертная система мониторинга безопасности плотин, разработанная в 1990-х годах компанией Ismes (Италия). Он получает данные от автоматической системы мониторинга и проводит диагностику состояния плотины. Ее первый экземпляр, установленный в 1992 году на плотине Ридраколи (Италия), до сих пор работает круглосуточно, 7 дней в неделю, 365 дней в году. Он был установлен на нескольких плотинах в Италии и за рубежом (например, плотина Итайпу в Бразилии), а также на участках оползней под названием Эйденет [70] и на памятниках под названием Калейдос. [71] Mistral является зарегистрированной торговой маркой CESI .

Смотрите также

Рекомендации

  1. ^ Джексон, Питер (1998). Введение в экспертные системы (3-е изд.). Эддисон Уэсли. п. 2. ISBN 978-0-201-87686-4.
  2. ^ «Обычное программирование». Pcmag.com. Архивировано из оригинала 14 октября 2012 г. Проверено 15 сентября 2013 г.
  3. ^ аб Леондес, Корнелиус Т. (2002). Экспертные системы: технологии управления знаниями и принятия решений в XXI веке . стр. 1–22. ISBN 978-0-12-443880-4.
  4. ^ Аб Рассел, Стюарт; Норвиг, Питер (1995). Искусственный интеллект: современный подход (PDF) . Саймон и Шустер. стр. 22–23. ISBN 978-0-13-103805-9. Архивировано из оригинала (PDF) 5 мая 2014 года . Проверено 14 июня 2014 г.
  5. ^ ab Luger & Stubblefield 2004, стр. 227–331.
  6. ^ Аб Нильссон 1998, гл. 17.4.
  7. ^ ab McCorduck 2004, стр. 327–335, 434–435.
  8. ^ ab Crevier 1993, стр. 145–62, 197–203.
  9. ^ abcd Янасэ Дж, Триантафиллу Э (2019). «Систематический обзор компьютерной диагностики в медицине: прошлые и настоящие разработки». Экспертные системы с приложениями . 138 : 112821. doi : 10.1016/j.eswa.2019.112821. S2CID  199019309.
  10. ^ Ледли Р.С. и Ластед Л.Б. (1959). «Рассуждения об основах медицинской диагностики». Наука . 130 (3366): 9–21. Бибкод : 1959Sci...130....9L. дои : 10.1126/science.130.3366.9. ПМИД  13668531.
  11. ^ Вайс С.М., Куликовский К.А., Амарель С., Сафир А. (1978). «Модельный метод компьютерного принятия медицинских решений». Искусственный интеллект . 11 (1–2): 145–172. CiteSeerX 10.1.1.464.3183 . дои : 10.1016/0004-3702(78)90015-2. 
  12. ^ Шварц ВБ (1970). «Медицина и компьютер: перспективы и проблемы перемен». Медицинский журнал Новой Англии . 283 (23): 1257–1264. дои : 10.1056/NEJM197012032832305. ПМИД  4920342.
  13. ^ Бляйх HL (1972). «Компьютерная консультация: Электролитные и кислотно-щелочные нарушения». Американский медицинский журнал . 53 (3): 285–291. дои : 10.1016/0002-9343(72)90170-2. ПМИД  4559984.
  14. ^ Розати Р.А., Макнир Дж.Ф., Стармер К.Ф., Миттлер Б.С., Моррис Дж.Дж. и Уоллес А.Г. (1975). «Новая информационная система для медицинской практики». Архив внутренней медицины . 135 (8): 1017–1024. doi : 10.1001/archinte.1975.00330080019003. ПМИД  1156062.
  15. ^ Горри Г.А., Кассирер Дж.П., Эссиг А. и Шварц В.Б. (1973). «Анализ решений как основа компьютерного лечения острой почечной недостаточности». Американский медицинский журнал . 55 (4): 473–484. дои : 10.1016/0002-9343(73)90204-0. ПМИД  4582702.
  16. ^ Соловиц П., Патил Р.С. и Шварц В.Б. (1988). «Искусственный интеллект в медицинской диагностике». Анналы внутренней медицины . 108 (1): 80–87. дои : 10.7326/0003-4819-108-1-80. PMID  3276267. S2CID  46410202.
  17. ^ Шортлифф Э.Х. и Бьюкенен Б.Г. (1975). «Модель неточного рассуждения в медицине». Математические биологические науки . 23 (3–4): 351–379. дои : 10.1016/0025-5564(75)90047-4. S2CID  118063112.
  18. ^ Миллер Р.А., Попл-младший HE и Майерс JD (1982). «Интернист-И, экспериментальный консультант по компьютерной диагностике внутренних болезней». Медицинский журнал Новой Англии . 307 (8): 468–476. дои : 10.1056/NEJM198208193070803. ПМИД  7048091.
  19. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение . Аддисон-Уэсли. стр. 1–275. ISBN 978-0451152640.
  20. ^ Джозеф 🎖️, Стэни (30 октября 2023 г.). «Разнообразие искусственного интеллекта: как Эдвард Фейгенбаум разработал экспертные системы». Середина . Проверено 26 января 2024 г.
  21. ^ Леа, Эндрю С. (2023). Оцифровка диагностики: медицина, разум и машины в Америке двадцатого века . Издательство Университета Джонса Хопкинса. стр. 1–256. ISBN 978-1421446813.
  22. ^ Эдвард Фейгенбаум, 1977. Перефразировано Хейсом-Ротом и др.
  23. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание экспертных систем. Аддисон-Уэсли. стр. 6–7. ISBN 978-0-201-10686-2.
  24. ^ Джордж Ф. Люгер и Уильям А. Стабблфилд, Benjamin/Cummings Publishers, Оболочка экспертной системы на основе правил: пример кода с использованием оболочки экспертной системы Пролога на основе правил
  25. ^ А. Михильс. Архивировано 2 апреля 2012 г. в Wayback Machine , Льежский университет, Бельгия: «ПРОЛОГ, первый декларативный язык».
  26. ^ Исследование с помощью APES (расширенная экспертная система Пролога) , получено 3 января 2024 г.
  27. ↑ Искусственный интеллект и закон: Закон о британском гражданстве неожиданно стимулировал искусственный интеллект и закон, 17 апреля 2021 г. , получено 13 ноября 2023 г.
  28. ^ MJ Серго, Ф. Садри, Р. А. Ковальски, Ф. Кривачек, П. Хаммонд и Х. Т. Кори (май 1986 г.). «Закон о британском гражданстве как логическая программа». Коммуникации АКМ . 29 (5): 370–386. дои : 10.1145/5689.5920.
  29. ^ Дуркин, Дж. Экспертные системы: Каталог приложений. Intelligent Computer Systems, Inc., Акрон, Огайо, 1993.
  30. ^ "IBM PC - революция CHM" . www.computerhistory.org . Проверено 26 января 2024 г.
  31. ^ Орфали, Роберт (1996). Основное руководство по выживанию клиента/сервера. Нью-Йорк: Wiley Computer Publishing. стр. 1–10. ISBN 978-0-471-15325-2.
  32. ^ Гурвиц, Джудит (2011). Умный или удачливый: как технологические лидеры превращают шанс в успех. Джон Уайли и сын. п. 164. ИСБН 978-1118033784. Проверено 29 ноября 2013 г.
  33. ↑ Данн, Роберт Дж. (30 сентября 1985 г.). «Расширяемый опыт для обычных пользователей». Инфомир . 7 (39):30 . Проверено 13 марта 2011 г.
  34. ^ Карл С. Гибсон и др., VAX 9000 SERIES, Цифровой технический журнал корпорации Digital Equipment, том 2, номер 4, осень 1990 г., стр. 118-129.
  35. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных задач» (PDF) . В Р.Э. Миллере; Дж. Тэтчер (ред.). Сложность компьютерных вычислений . Нью-Йорк: Пленум. стр. 85–103.
  36. ^ Хьюберт Л. Дрейфус (1972). Чего компьютеры все еще не могут сделать . Кембридж, Массачусетс: MIT Press.
  37. ^ «Информационный бюллетень AI Expert: W означает зиму» . Архивировано из оригинала 09.11.2013 . Проверено 29 ноября 2013 г.
  38. ^ «Лейт П., «Взлет и падение правовой экспертной системы», в Европейском журнале права и технологий, том 1, выпуск 1, 2010».
  39. ↑ Хаскин, Дэвид (16 января 2003 г.). «Спустя годы после хайпа, «экспертные системы» для некоторых окупаются» . Датаматизация . Проверено 29 ноября 2013 г.
  40. ^ Роем, Йорам (2007). «Социальное конструирование экспертных систем». Управление человеческими системами . 26 (4): 291–309. дои : 10.3233/HSM-2007-26406.
  41. ^ «Майкл П. Фолькер, «Бизнес устанавливает правила», в Information Week, 18 октября 2005 г.» 18 октября 2005 г.
  42. ^ Служба новостей SAP. «Служба новостей SAP IntelliCorp объявляет об участии в SAP EcoHub». laszlo.sys-con.com . ЛаслоТрек . Проверено 29 ноября 2013 г.
  43. ^ Пегасистемс. «Умный BPM требует разумных бизнес-правил». pega.com . Проверено 29 ноября 2013 г.
  44. ^ Чжао, Кай; Ин, Ши; Чжан, Линьлин; Ху, Луокай (9–10 октября 2010 г.). «Достижение интеграции бизнес-процессов и бизнес-правил с использованием SPL». Будущие информационные технологии и управленческая инженерия (FITME) . Том. 2. Чанчжоу, Китай: IEEE. стр. 329–332. дои : 10.1109/fitme.2010.5656297. ISBN 978-1-4244-9087-5.
  45. ^ Чунг, Джунён; Гульчере, Чаглар; Чо, Кёнхён; Бенджио, Йошуа (01 июня 2015 г.). «Рекуррентные нейронные сети с управляемой обратной связью». Международная конференция по машинному обучению . ПМЛР: 2067–2075. arXiv : 1502.02367 .
  46. ^ Почему бизнес-правила? Почему не экспертные системы? , получено 3 января 2024 г.
  47. ^ Дэвид К. Англия (июнь 1990 г.). Экспертная система для управления опасными материалами в военно-морском центре снабжения (PDF) (магистерская диссертация). Военно-морская аспирантура Монтерей / Калифорния.Здесь: стр.21.
  48. ^ abc Кирьянов, Денис Александрович (21 декабря 2021 г.). «Гибридная категориальная экспертная система для использования при агрегации контента». Программные системы и вычислительные методы (4): 1–22. дои : 10.7256/2454-0714.2021.4.37019 . ISSN  2454-0714. S2CID  245498498.
  49. ^ Смит, Рид (8 мая 1985 г.). «Концепции, методы, примеры систем, основанных на знаниях» (PDF) . Рид Дж. Смит . Проверено 9 ноября 2013 г.
  50. ^ аб Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание экспертных систем. Аддисон-Уэсли. ISBN 978-0-201-10686-2.
  51. ^ Набиль Арман, Палестинский политехнический университет, январь 2007 г., Обнаружение ошибок в динамических базах правил с использованием связующих деревьев и несвязывающих наборов: «»
  52. ^ Меттри, Уильям (1987). «Оценка инструментов для построения больших систем, основанных на знаниях». Журнал ИИ . 8 (4). Архивировано из оригинала 10 ноября 2013 г. Проверено 29 ноября 2013 г.
  53. ^ МакГрегор, Роберт (июнь 1991 г.). «Использование классификатора описания для улучшения представления знаний». Эксперт IEEE . 6 (3): 41–46. дои : 10.1109/64.87683. S2CID  29575443.
  54. ^ Бернерс-Ли, Тим; Хендлер, Джеймс; Лассила, Ора (17 мая 2001 г.). «Семантическая сеть. Новая форма веб-контента, имеющая смысл для компьютеров, откроет революцию новых возможностей». Научный американец . 284 (5): 34–43. doi : 10.1038/scientificamerican0501-34. Архивировано из оригинала 24 апреля 2013 года.
  55. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание экспертных систем. Аддисон-Уэсли. п. 6. ISBN 978-0-201-10686-2.
  56. ^ Аб Вонг, Бо К.; Монако, Джон А.; Монако (сентябрь 1995 г.). «Применение экспертных систем в бизнесе: обзор и анализ литературы» . Информация и управление . 29 (3): 141–152. дои : 10.1016/0378-7206(95)00023-п . Проверено 29 ноября 2013 г.
  57. ^ Кендал, СЛ; Крин, М. (2007). Введение в инженерию знаний . Лондон: Спрингер. ISBN 978-1-84628-475-5. ОСЛК  70987401.
  58. ^ Фейгенбаум, Эдвард А .; МакКордак, Памела (1983). Пятое поколение (1-е изд.). Ридинг, Массачусетс: Аддисон-Уэсли . ISBN 978-0-201-11519-2. ОСЛК  9324691.
  59. ^ Дуглас Б. Ленат (1992). «На порогах познания». У Дэвида Кирша (ред.). Основы искусственного интеллекта . МТИ Пресс. стр. 185–250.
  60. ^ Безем М (1988). Согласованность экспертных систем, основанных на правилах. 9-я Международная конференция по автоматизированному дедукции . Конспекты лекций по информатике. Том. 310. стр. 151–161. дои : 10.1007/BFb0012830. ISBN 3-540-19343-Х.
  61. ^ Мак Б., Шмитт Б.Х. и Лютинен К. (1997). «Участие пользователей в обновлении знаний экспертных систем». Информация и управление . 32 (2): 55–63. дои : 10.1016/S0378-7206(96)00010-9 .
  62. ^ Фам Х.Н., Триантафиллу Э (2008). «Влияние переобучения и чрезмерного обобщения на точность классификации при интеллектуальном анализе данных». Мягкие вычисления для обнаружения знаний и интеллектуального анализа данных . стр. 391–431. дои : 10.1007/978-0-387-69935-6_16. ISBN 978-0-387-69934-9. S2CID  12628921.
  63. ^ Фам Х.Н., Триантафиллу Э (2008). «Прогнозирование диабета с использованием нового подхода к анализу данных, который сочетает в себе подбор и обобщение». Компьютер и Инф. Наука Г : 11–26.
  64. ^ Шан Н. и Зиарко В. (1995). «Получение данных и постепенное изменение правил классификации». Вычислительный интеллект . 11 (2): 357–370. doi :10.1111/j.1467-8640.1995.tb00038.x. S2CID  38974914.
  65. ^ Коутс ПК (1988). «Почему экспертные системы терпят неудачу». Финансовый менеджмент . 17 (3): 77–86. JSTOR  3666074.
  66. ^ Хендрикс PH и Вриенс DJ (1999). «Системы, основанные на знаниях, и управление знаниями: друзья или враги?». Информация и управление . 35 (2): 113–125. дои : 10.1016/S0378-7206(98)00080-9.
  67. ^ Янасэ Дж., Триантафиллу Э. (2019). «Семь ключевых задач будущего компьютерной диагностики в медицине». Международный журнал медицинской информатики . 129 : 413–422. doi : 10.1016/j.ijmedinf.2019.06.017. PMID  31445285. S2CID  198287435.
  68. ^ Вулери, LK; Гржимала-Буссе, Дж (1994). «Машинное обучение экспертной системы для прогнозирования риска преждевременных родов». Журнал Американской ассоциации медицинской информатики . 1 (6): 439–446. дои : 10.1136/jamia.1994.95153433. ПМК 116227 . ПМИД  7850569. 
  69. ^ аб Сальванески, Паоло; Кадей, Мауро; Лаццари, Марко (1996). «Применение ИИ для мониторинга и оценки структурной безопасности» . Эксперт IEEE . 11 (4): 24–34. дои : 10.1109/64.511774 . Проверено 5 марта 2014 г.
  70. ^ Аб Лаццари, Марко; Сальванески, Паоло (1999). «Внедрение географической информационной системы в систему поддержки принятия решений для мониторинга опасности оползней» (PDF) . Международный журнал природных опасностей . 20 (2–3): 185–195. дои : 10.1023/А: 1008187024768. S2CID  1746570.
  71. ^ аб Ланчини, Стефано; Лаццари, Марко; Мазера, Альберто; Сальванески, Паоло (1997). «Диагностика древних памятников с помощью экспертного программного обеспечения» (PDF) . Международный структурный инжиниринг . 7 (4): 288–291. дои : 10.2749/101686697780494392.
  72. ^ К. Хорн; Л. Лазарус; П. Комптон; Дж. Р. Куинлан (1985). «Экспертная система для интерпретации анализов щитовидной железы в клинической лаборатории». Ауст Комп Дж . 17 :7–11.
  73. ^ Аб Бьюкенен, Б. (1986). «Экспертные системы: рабочие системы и исследовательская литература». Экспертные системы . 3 (1): 32–51. doi :10.1111/j.1468-0394.1986.tb00192.x.
  74. ^ П. Комптон; К. Хорн; Р. Куинлан; Л. Лазарус; К. Хо (1988). «Поддержание экспертной системы». Материалы четвертой австралийской конференции по применению экспертных систем .
  75. ^ Квак, SH (1990). «Экспертная система планирования миссии автономного подводного аппарата». Материалы симпозиума 1990 г. по технологиям автономных подводных аппаратов : 123–128. дои : 10.1109/AUV.1990.110446. S2CID  60476847.
  76. ^ Нельсон, WR (1982). «РЕАКТОР: Экспертная система диагностики и лечения ядерных реакторов». АААИ . 82: Материалы второй конференции AAAI по искусственному интеллекту: 296–301.
  77. ^ Аб Хофмайстер, Алан (1994). «SMH.PAL: экспертная система определения процедур лечения студентов с тяжелыми формами инвалидности». Исключительные дети . 61 (2). Архивировано из оригинала 3 декабря 2013 года . Проверено 30 ноября 2013 г.
  78. ^ Хаддави, П; Суебнукарн, С. (2010). «Интеллектуальные системы клинического обучения». Методы Инф Мед . 49 (4): 388–9. CiteSeerX 10.1.1.172.60 . дои : 10.1055/s-0038-1625342. PMID  20686730. S2CID  11903941. 
  79. ^ Холлан, Дж.; Хатчинс, Э.; Вайцман, Л. (1984). «STEAMER: интерактивная проверяемая система обучения на основе моделирования». Журнал ИИ .
  80. ^ Стэнли, генеральный директор (15–17 июля 1991 г.). «Опыт использования рассуждений, основанных на знаниях, для управления процессами в реальном времени» (PDF) . Пленарный доклад, представленный на симпозиуме Международной федерации автоматического управления (IFAC) по автоматизированному проектированию систем управления . Проверено 3 декабря 2013 г.
  81. ^ Расмуссен, Артур; Мураторе, Джон Ф.; Хейндель, Трой А. (февраль 1990 г.). «Проект экспертной системы INCO: CLIPS в управлении полетами шаттла». НТРС . Проверено 30 ноября 2013 г.
  82. ^ Чирисциоли, PR; Г. С. Спрингер (1990). «Умная автоклавная обработка композитов» . ISBN 9781003209010.
  83. ^ Кэтлетт, Дж. (1990). «Экспертные системы, риски и выгоды». Центр информационных технологий . 2 (7): 20–26.

Цитируемые работы

Внешние ссылки