Expert system and Rule-based Expert System

Expert Systems
Sebuah sistem pakar adalah perangkat lunak yang mencoba untuk memberikan jawaban atas suatu masalah, atau mengklarifikasi ketidakpastian di mana biasanya satu atau lebih pakar manusia perlu akan dikonsultasikan. Sistem pakar yang paling umum dalam masalah tertentu domain, dan adalah sebuah aplikasi tradisional dan / atau subfield kecerdasan buatan. Berbagai macam metode dapat digunakan untuk mensimulasikan kinerja Namun pakar umum bagi sebagian besar atau semua 1) penciptaan apa yang disebut "pengetahuan" yang menggunakan beberapa representasi pengetahuan formalisme untuk menangkap Subject Matter Expert's (UKM) pengetahuan dan 2) proses pengumpulan pengetahuan itu dari UKM dan kodifikasi itu sesuai dengan formalisme, yang disebut pengetahuan teknik. Sistem pakar mungkin atau mungkin tidak memiliki komponen belajar tetapi ketiga elemen umum adalah bahwa begitu sistem dikembangkan terbukti dengan menjadi ditempatkan dalam dunia nyata yang sama situasi pemecahan masalah UKM manusia, biasanya sebagai bantuan untuk pekerja manusia atau suplemen untuk beberapa sistem informasi.

Sebagai perdana penerapan komputasi dan kecerdasan buatan, topik sistem pakar telah banyak titik kontak dengan teori sistem umum, operasional penelitian, rekayasa ulang proses bisnis dan berbagai topik di bidang matematika terapan dan ilmu manajemen.
Expert systems topics

Chaining

Ada dua metode utama penalaran saat menggunakan aturan inferensi: backward chaining dan forward chaining.

Forward chaining dimulai dengan data yang tersedia dan menggunakan aturan inferensi untuk menyimpulkan lebih banyak data sampai tujuan yang diinginkan tercapai. Sebuah mesin inferensi menggunakan chaining maju pencarian aturan-aturan inferensi sampai menemukan satu di mana jika klausul diketahui benar. Kemudian menutup kemudian klausa dan menambahkan informasi ini untuk datanya. Akan terus melakukan hal ini sampai tujuan tercapai. Karena data yang tersedia menentukan aturan-aturan inferensi digunakan, metode ini juga disebut data driven.

Backward chaining dimulai dengan daftar sasaran dan bekerja ke belakang untuk melihat apakah ada data yang memungkinkan untuk menyimpulkan salah satu tujuan. Sebuah mesin inferensi menggunakan chaining mundur akan mencari aturan-aturan inferensi sampai menemukan satu yang memiliki kemudian klausul yang cocok dengan tujuan yang dikehendaki. Jika jika klausul aturan inferensi yang tidak diketahui benar, maka akan ditambahkan ke daftar tujuan. Misalnya, peraturan dasar yang berisi
Jika hijau maka Fritz Fritz adalah katak.
Jika Fritz adalah katak kemudian Fritz hops.

Misalkan tujuan adalah untuk menyimpulkan bahwa Fritz hops. Peraturan dasar akan digeledah dan aturan (2) akan dipilih karena kesimpulan (kemudian klausul) sesuai dengan tujuan. Tidak diketahui bahwa Fritz adalah katak, jadi ini "jika" pernyataan akan ditambahkan ke daftar tujuan. Basis aturan lagi dicari dan kali ini aturan (1) dipilih karena kemudian klausul sesuai dengan tujuan baru saja ditambahkan ke daftar. Kali ini, jika ayat (Fritz adalah hijau) dikenal benar dan tujuan yang melompat Fritz disimpulkan. Karena daftar tujuan menentukan aturan dipilih dan digunakan, metode ini disebut tujuan didorong.

Faktor kepastian

Satu keuntungan dari sistem pakar di atas metode tradisional pemrograman adalah bahwa mereka mengizinkan penggunaan "rahasia", juga dikenal sebagai faktor kepastian. Seorang manusia, ketika nalar, tidak selalu menyimpulkan sesuatu dengan 100% keyakinan: dia bisa usaha, "Kalau Fritz berwarna hijau, maka ia mungkin kodok" (setelah semua, dia mungkin seorang bunglon). Jenis penalaran dapat ditiru dengan menggunakan nilai numerik yang disebut rahasia. Misalnya, jika diketahui bahwa Fritz hijau, mungkin 0,85 disimpulkan dengan keyakinan bahwa ia adalah seekor katak, atau, jika diketahui bahwa ia adalah seekor katak, mungkin 0,95 disimpulkan dengan keyakinan bahwa dia hop. Angka-angka ini probabilitas dalam arti Bayesian, dalam arti bahwa mereka mengukur ketidakpastian.

Sistem pakar arsitektur

Berikut poin umum tentang sistem pakar dan arsitektur mereka telah diilustrasikan.
1. Urutan langkah-langkah yang diambil untuk mencapai suatu kesimpulan secara dinamis disintesis dengan setiap kasus baru. Hal ini tidak secara eksplisit diprogram ketika sistem dibangun.
2. Sistem pakar dapat memproses beberapa nilai untuk setiap masalah parameter. Hal ini memungkinkan lebih dari satu baris penalaran untuk dikejar dan hasil yang tidak lengkap (tidak sepenuhnya ditentukan) penalaran yang akan disajikan.
3. Pemecahan masalah dicapai dengan menerapkan pengetahuan khusus daripada teknik tertentu. Ini adalah ide kunci dalam sistem pakar teknologi. Hal ini mencerminkan keyakinan bahwa para ahli manusia tidak memproses pengetahuan mereka berbeda dari orang lain, tetapi mereka memiliki pengetahuan yang berbeda. Dengan filosofi ini, ketika seseorang menemukan bahwa sistem pakar mereka tidak menghasilkan hasil yang diinginkan, pekerjaan dimulai untuk memperluas basis pengetahuan, bukan untuk program kembali prosedur.

Ada berbagai sistem pakar di mana kesimpulan rulebase dan mesin bekerja sama untuk mensimulasikan proses penalaran yang mengejar ahli manusia dalam menganalisis suatu masalah dan sampai pada suatu kesimpulan. Dalam sistem ini, untuk simulasi proses penalaran manusia, sejumlah besar pengetahuan yang diperlukan untuk disimpan dalam basis pengetahuan. Secara umum, basis pengetahuan sistem pakar semacam itu terdiri dari jumlah relatif besar "jika maka" jenis pernyataan yang saling berhubungan dalam cara yang, setidaknya secara teori, mirip dengan urutan langkah-langkah mental yang terlibat dalam nalar manusia proses.

Karena kebutuhan kapasitas penyimpanan yang besar dan program yang terkait menyimpan rulebase, sebagian besar sistem pakar telah, di masa lalu, menjadi hanya berjalan pada sistem penanganan informasi yang besar. Baru-baru ini, kapasitas penyimpanan komputer pribadi telah meningkat ke titik di mana ia menjadi mungkin untuk mempertimbangkan menjalankan beberapa jenis sistem pakar sederhana di komputer pribadi.

Pada beberapa aplikasi sistem ahli, sifat aplikasi dan jumlah informasi yang diperlukan disimpan untuk mensimulasikan proses penalaran manusia untuk aplikasi yang terlalu besar untuk disimpan dalam memori aktif dari sebuah komputer. Dalam aplikasi lain sistem ahli, sifat aplikasi tersebut sedemikian rupa sehingga tidak semua informasi yang selalu diperlukan dalam proses penalaran. Sebuah contoh dari aplikasi jenis terakhir ini akan menjadi penggunaan sistem pakar untuk mendiagnosis sistem pengolahan data yang terdiri dari banyak komponen yang terpisah, beberapa di antaranya adalah opsional. Ketika jenis sistem pakar menggunakan satu rulebase terpadu untuk mendiagnosis konfigurasi sistem minimum dari sistem pengolahan data, sebagian besar rulebase tidak diperlukan karena banyak dari komponen-komponen opsional yang unit dari sistem tidak akan hadir dalam sistem. Namun demikian, sistem pakar sebelumnya memerlukan seluruh rulebase untuk disimpan karena semua aturan itu, sebagai akibatnya, dirantai atau terhubung bersama-sama oleh struktur rulebase.

Ketika rulebase adalah tersegmentasi, sebaiknya ke segmen kontekstual atau unit, maka kemudian dimungkinkan untuk menghilangkan bagian-bagian dari Rulebase berisi data atau pengetahuan yang tidak diperlukan dalam aplikasi tertentu. The segmentasi dari rulebase juga memungkinkan sistem pakar untuk dijalankan dengan sistem atau sistem yang memiliki kapasitas memori jauh lebih kecil daripada yang dimungkinkan dengan pengaturan sebelumnya karena setiap segmen dapat rulebase paged masuk dan keluar dari sistem yang diperlukan. The segmentasi dari rulebase ke segmen kontekstual mensyaratkan bahwa sistem pakar mengatur berbagai hubungan intersegment sebagai segmen yang dipanggil ke dalam dan keluar memory selama pelaksanaan program. Karena sistem memungkinkan segmen rulebase dipanggil dan dieksekusi kapan saja selama pengolahan rulebase pertama, ketentuan harus dibuat untuk menyimpan data yang telah dikumpulkan hingga saat itu sehingga pada beberapa waktu kemudian dalam proses, ketika sistem kembali ke segmen pertama, hal itu dapat dilanjutkan dari titik terakhir atau aturan simpul yang sedang diproses. Selain itu, ketentuan harus dibuat sehingga data yang telah dikumpulkan oleh sistem sampai saat itu dapat dikirimkan ke segmen kedua setelah rulebase telah dipanggil ke dalam sistem dan data yang dikumpulkan selama pengolahan segmen kedua dapat dilewatkan ke segmen pertama ketika sistem pengolahan kembali untuk melengkapi segmen itu.

Antarmuka pengguna dan antarmuka prosedur dua fungsi penting dalam proses pengumpulan informasi.

Pengguna

Pengguna akhir biasanya melihat sebuah sistem pakar melalui dialog interaktif, contoh yang berikut:
T. Apakah Anda tahu mana restoran yang Anda ingin pergi ke?
J. Tidak
T. Apakah ada jenis makanan yang Anda sukai?
J. Tidak
T. Apakah Anda suka makanan pedas?
J. Tidak
T. Apakah Anda biasanya minum anggur dengan makanan?
A. Ya
T. Ketika Anda minum anggur, bukan anggur Perancis?
A. Ya

Seperti dapat dilihat dari dialog ini, sistem ini memimpin pengguna melalui serangkaian pertanyaan, yang tujuannya adalah untuk menentukan set yang sesuai untuk merekomendasikan restoran. Dialog ini diawali dengan sistem menanyakan apakah user sudah tahu restoran pilihan (sebuah ciri umum sistem pakar) dan segera menggambarkan karakteristik dari sistem pakar; pengguna mungkin memilih untuk tidak menjawab pertanyaan apapun. Dalam sistem pakar, dialog tidak direncanakan sebelumnya. Ada struktur kontrol tetap. Dialog disintesis dari arus informasi dan isi basis pengetahuan. Karena itu, tidak mampu menyediakan jawaban atas pertanyaan tertentu tidak menghentikan konsultasi.

Sistem Penjelasan

Perbedaan besar lain antara sistem pakar dan sistem tradisional diilustrasikan dengan jawaban berikut yang diberikan oleh sistem ketika user menjawab pertanyaan dengan pertanyaan lain, "Mengapa", seperti yang terjadi pada contoh di atas. Jawabannya adalah:
A. Saya mencoba untuk menentukan jenis restoran untuk menyarankan. Sejauh ini Cina mungkin bukan pilihan. Ada kemungkinan bahwa Perancis adalah pilihan kemungkinan. Aku tahu bahwa jika restoran adalah peminum anggur, dan anggur pilihan perancis, maka ada bukti kuat bahwa pilihan restoran harus mencakup Prancis.

Sangat sulit untuk mengimplementasikan sistem penjelasan umum (menjawab pertanyaan seperti "Mengapa" dan "Bagaimana") dalam sebuah program komputer tradisional. Sebuah sistem pakar dapat menghasilkan penjelasan dengan langkah-langkah retracing dari penalaran. Respon dari sistem pakar untuk pertanyaan MENGAPA adalah paparan dari struktur pengetahuan yang mendasarinya. Ini adalah aturan; satu set kondisi anteseden yang, jika benar, biarkan penegasan konsekuen. Referensi aturan nilai-nilai, dan tes mereka terhadap berbagai kendala atau hambatan menegaskan ke mereka. Ini, sebenarnya, adalah bagian penting dari struktur pengetahuan. Ada nilai-nilai, yang mungkin berhubungan dengan beberapa pengorganisasian entitas. Sebagai contoh, restoran individu adalah entitas dengan berbagai atribut (nilai) termasuk apakah mereka minum anggur dan jenis anggur. Ada juga aturan, yang mengaitkan nilai-nilai sekarang dikenal beberapa atribut dengan pernyataan yang dapat dibuat tentang atribut lain. Ini adalah pengolahan tertib aturan-aturan ini yang mendikte dialog itu sendiri.

Sistem pakar versus sistem pemecahan masalah

Perbedaan utama antara sistem pakar dan program-program pemecahan masalah tradisional adalah cara di mana keahlian terkait masalah dikodekan. Aplikasi tradisional, masalah keahlian dikodekan dalam kedua program dan struktur data. Dalam pendekatan sistem pakar semua keahlian terkait masalah dikodekan dalam struktur data saja; tidak ada masalah-informasi spesifik dikodekan dalam struktur program. Organisasi ini memiliki beberapa keuntungan.

Contoh dapat membantu kontras tradisional program pemecahan masalah dengan pendekatan sistem pakar. Contoh adalah masalah saran pajak. Dalam pendekatan tradisional menggambarkan struktur data pembayar pajak dan pajak meja, dan sebuah program di mana terdapat pernyataan mewakili ahli konsultan pajak pengetahuan, seperti pernyataan yang berhubungan dengan informasi tentang Wajib Pajak pilihan meja pajak. Inilah representasi dari ahli pajak pengetahuan yang sulit bagi ahli pajak untuk memahami atau memodifikasi.

Dalam pendekatan sistem pakar, informasi tentang perhitungan pajak pembayar pajak dan sekali lagi ditemukan dalam struktur data, tapi sekarang pengetahuan yang menjelaskan hubungan antara keduanya adalah dalam struktur data dikodekan juga. Program-program sistem pakar independen dari masalah domain (pajak) dan melayani untuk memproses struktur data tanpa memperhatikan sifat bidang masalah mereka gambarkan. Sebagai contoh, ada program untuk mendapatkan nilai data yang dijelaskan melalui interaksi pengguna, program untuk mewakili dan proses organisasi khusus deskripsi, dan program untuk memproses deklarasi yang mewakili hubungan semantik dalam masalah domain dan sebuah algoritma untuk mengendalikan urutan pemrosesan dan fokus .

Arsitektur umum suatu sistem pakar melibatkan dua komponen utama: masalah tergantung set data deklarasi yang disebut basis pengetahuan atau peraturan dasar, dan masalah independen (meskipun struktur data sangat tergantung) program yang disebut mesin inferensi.

Individu yang terlibat dengan sistem pakar

Ada tiga orang umumnya memiliki interaksi dengan sistem pakar. Kendala utama adalah pengguna akhir; individu yang menggunakan sistem untuk penyelesaian masalah bantuan. Dalam gedung dan pemeliharaan sistem ada dua peran lain: masalah domain pakar yang membangun dan persediaan menyediakan basis pengetahuan domain keahlian, pengetahuan dan insinyur yang membantu para ahli dalam menentukan representasi pengetahuan mereka, pengetahuan ini masuk ke dalam penjelasan modul dan siapa yang mendefinisikan teknik inferensi yang diperlukan untuk memperoleh aktivitas pemecahan masalah yang bermanfaat. Biasanya, insinyur pengetahuan akan mewakili aktivitas pemecahan masalah dalam bentuk peraturan yang disebut sebagai aturan berbasis sistem pakar. Ketika aturan ini dibuat dari domain keahlian, pengetahuan dasar menyimpan aturan sistem pakar.

Aturan inferensi

Pemahaman tentang "aturan inferensi" konsep penting untuk memahami sistem pakar. Sebuah aturan inferensi adalah pernyataan yang memiliki dua bagian, yang jika klausa dan kemudian klausa. Kaidah ini adalah sistem pakar yang memberikan kemampuan untuk mencari solusi untuk masalah diagnostik dan preskriptif. Contoh dari aturan inferensi adalah:
Jika pilihan restoran termasuk Perancis, dan kesempatan yang romantis,
Maka pilihan restoran pasti Paul Bocuse.

Sistem pakar rulebase terdiri dari banyak aturan-aturan inferensi. Mereka dimasukkan sebagai aturan yang terpisah dan merupakan mesin inferensi yang menggunakan mereka bersama-sama untuk menarik kesimpulan. Karena setiap aturan adalah satuan, aturan dapat dihapus atau ditambahkan tanpa mempengaruhi peraturan lain (meskipun harus mempengaruhi kesimpulan yang dicapai). Satu keuntungan dari aturan-aturan inferensi atas pemrograman tradisional adalah bahwa aturan-aturan inferensi menggunakan penalaran yang lebih mirip penalaran manusia.

Jadi, ketika ditarik kesimpulan, adalah mungkin untuk memahami bagaimana kesimpulan ini tercapai. Selanjutnya, karena sistem pakar menggunakan pengetahuan dalam bentuk yang mirip dengan pakar, mungkin lebih mudah untuk mengambil informasi dari pakar.

Prosedur simpul antarmuka

Fungsi dari prosedur simpul antarmuka untuk menerima informasi dari koordinator prosedur dan membuat prosedur yang sesuai panggilan. Kemampuan untuk memanggil prosedur dan menerima informasi dari prosedur yang dapat dipandang sebagai generalisasi dari hanya masukan dari dunia luar. Sementara dalam beberapa pakar sebelumnya sistem informasi eksternal telah diperoleh, karena informasi yang diperoleh hanya dalam cara yang telah ditetapkan sehingga hanya informasi tertentu benar-benar dapat diperoleh. Sistem pakar ini, diungkapkan dalam aplikasi silang, melalui basis pengetahuan, diperbolehkan untuk memanggil prosedur apapun diperbolehkan pada sistem host. Hal ini membuat sistem pakar berguna dalam kelas yang jauh lebih luas pengetahuan domain daripada jika tidak memiliki akses eksternal atau hanya terbatas akses eksternal.

Dalam bidang mesin diagnostik menggunakan sistem pakar, terutama aplikasi diagnostik diri, tidak mungkin untuk menyimpulkan keadaan saat ini "kesehatan" dari suatu mesin tanpa beberapa informasi. Sumber terbaik informasi adalah mesin itu sendiri, karena berisi banyak informasi rinci yang tidak layak diberikan oleh operator.

Pengetahuan yang direpresentasikan dalam sistem muncul di rulebase. Dalam rulebase dijelaskan dalam silang aplikasi, pada dasarnya ada empat jenis objek, dengan informasi terkait hadir.
Kelas-pertanyaan ini ditanyakan kepada pengguna.
Parameter-parameter adalah tempat dudukan untuk sebuah string karakter yang mungkin suatu variabel yang dapat dimasukkan ke dalam sebuah pertanyaan kelas pada titik dalam pertanyaan di mana parameter diposisikan.
Prosedur-ini adalah definisi panggilan prosedur eksternal.
Peraturan Nodes-The inferencing dalam sistem dilakukan oleh sebuah struktur pohon yang menunjukkan aturan atau logika yang meniru nalar manusia. Simpul pohon ini disebut node aturan. Ada beberapa jenis aturan node.

The rulebase terdiri dari hutan banyak pohon. Bagian atas pohon simpul disebut node tujuan, dalam arti bahwa hal itu berisi kesimpulan. Setiap pohon di hutan memiliki tujuan yang berbeda simpul. Daun-daun pohon juga disebut sebagai node aturan, atau salah satu jenis aturan node. Sebuah daun mungkin merupakan bukti node, node eksternal, atau simpul referensi.

Fungsi node bukti untuk memperoleh informasi dari operator dengan mengajukan pertanyaan tertentu. Dalam menanggapi pertanyaan yang diajukan oleh bukti simpul, operator umumnya diperintahkan untuk menjawab "ya" atau "tidak" nilai numerik yang diwakili oleh 1 dan 0 atau memberikan nilai antara 0 dan 1, yang diwakili oleh seorang "mungkin."

Pertanyaan yang memerlukan respon dari operator lain selain ya atau tidak atau nilai antara 0 dan 1 ditangani dengan cara yang berbeda.

Sebuah daun yang merupakan simpul eksternal menunjukkan bahwa data yang akan digunakan yang diperoleh dari suatu prosedur panggilan.

Sebuah fungsi simpul acuan untuk merujuk ke pohon lain atau subtree.

Pohon dapat juga berisi menengah atau kecil antara tujuan node node dan simpul daun. Node perantara dapat mewakili operasi logis seperti Dan atau Atau.

Logika inferensi memiliki dua fungsi. Itu memilih pohon untuk melacak jejak dan kemudian pohon itu. Setelah pohon telah dipilih, pohon itu dilacak, kedalaman-pertama, kiri ke kanan.

Kata "melacak" mengacu pada sistem mengambil tindakan seperti melintasi pohon, menanyakan kelas (pertanyaan), memanggil prosedur, dan perhitungan rahasia seperti itu berlangsung.

Sebagaimana dijelaskan dalam aplikasi silang, pemilihan pohon tergantung pada urutan pepohonan. Memesan asli dari pohon adalah urutan di mana mereka muncul di rulebase. Urutan ini bisa diubah, bagaimanapun, dengan menetapkan bukti simpul sebuah atribut "awal" yang dijelaskan secara rinci dalam aplikasi ini. Tindakan pertama adalah untuk mendapatkan nilai untuk semua node bukti yang telah ditetapkan sebagai "awal" atribut. Hanya menggunakan jawaban bukti-bukti awal ini, aturan-aturan yang memerintahkan sehingga yang paling mungkin berhasil dievaluasi terlebih dahulu. Pohon-pohon dapat lebih diurutkan kembali karena mereka terus-menerus diperbarui sebagai pohon yang dipilih sedang dilacak.

Telah ditemukan bahwa jenis informasi yang diminta oleh sistem dari pengguna melalui pertanyaan-pertanyaan atau kelas harus disesuaikan dengan tingkat pengetahuan user. Dalam banyak aplikasi, kelompok calon menggunakan adalah didefinisikan dengan baik dan tingkat pengetahuan dapat diperkirakan sehingga pertanyaan dapat disajikan pada tingkat yang sesuai dengan rata-rata umumnya pengguna. Namun, dalam aplikasi lain, pengetahuan tentang domain yang spesifik dari sistem pakar mungkin sangat bervariasi di antara kelompok calon pengguna.

Satu aplikasi di mana hal ini terutama berlaku melibatkan penggunaan suatu sistem pakar, beroperasi dalam mode diagnostik diri pada komputer pribadi untuk membantu operator komputer pribadi untuk mendiagnosa penyebab suatu kesalahan atau kesalahan baik di dalam perangkat keras atau perangkat lunak. Secara umum, meminta operator untuk mendapatkan informasi adalah cara yang paling mudah untuk sistem pakar untuk mengumpulkan informasi dengan asumsi, tentu saja, bahwa informasi tersebut atau harus berada dalam pemahaman operator. Sebagai contoh, dalam mendiagnosis komputer pribadi, sistem pakar harus mengetahui komponen-komponen fungsional utama dari sistem. Itu bisa meminta operator, misalnya, jika tampilan adalah monokrom atau layar warna. Operator harus, dalam segala kemungkinan, dapat memberikan jawaban yang benar 100% dari waktu. Sistem pakar bisa, di sisi lain, menyebabkan unit test dijalankan untuk menentukan jenis layar ini. Keakuratan data yang dikumpulkan oleh masing-masing pendekatan dalam contoh ini mungkin tidak akan terlalu berbeda sehingga pengetahuan insinyur dapat menggunakan kedua pendekatan itu tanpa mempengaruhi ketepatan diagnosis. Namun, dalam banyak kasus, karena sifat dari informasi yang diminta, lebih baik untuk memperoleh informasi dari sistem daripada meminta operator, karena keakuratan data yang diberikan oleh operator rendah sehingga sistem tidak bisa proses secara efektif kepada kesimpulan yang bermakna.

Dalam banyak situasi informasi yang telah berada dalam sistem, dalam bentuk yang memungkinkan jawaban yang benar untuk sebuah pertanyaan untuk dapat diperoleh melalui proses penalaran induktif atau deduktif. Sebelumnya data dikumpulkan oleh sistem dapat jawaban yang diberikan oleh user untuk pertanyaan yang kurang kompleks diminta untuk alasan yang berbeda atau hasil tes kembali dari unit yang sebelumnya dijalankan.

User interface

Fungsi antarmuka pengguna adalah menampilkan pertanyaan dan informasi kepada pengguna dan pasokan tanggapan pengguna ke mesin inferensi.

Setiap nilai dimasukkan oleh pengguna harus diterima dan ditafsirkan oleh user interface. Beberapa tanggapan dibatasi untuk satu set kemungkinan jawaban hukum, yang lain tidak. Antarmuka pengguna memeriksa semua tanggapan untuk memastikan bahwa mereka adalah dari tipe data yang benar. Setiap tanggapan yang terbatas pada seperangkat hukum jawaban dibandingkan jawaban terhadap hukum ini. Setiap kali pengguna memasukkan jawaban ilegal, antarmuka pengguna akan menginformasikan pengguna bahwa jawabannya adalah tidak sah dan meminta dia untuk memperbaikinya.

Penerapan sistem pakar

Sistem pakar dirancang dan dibuat untuk memfasilitasi tugas-tugas di bidang akuntansi, kedokteran, pengendalian proses, jasa keuangan, produksi, sumber daya manusia dll Memang, dasar dari sistem pakar yang sukses tergantung pada serangkaian prosedur teknis dan pengembangan yang mungkin dirancang oleh beberapa teknisi dan ahli terkait.

Sebuah contoh yang baik penerapan sistem pakar di bidang perbankan adalah sistem pakar untuk hipotik. Pinjaman departemen tertarik pada sistem pakar untuk hipotek karena semakin meningkatnya biaya buruh yang membuat penanganan dan penerimaan pinjaman relatif kecil kurang menguntungkan. Mereka juga melihat dalam penerapan sistem pakar kemungkinan untuk standar, efisien penanganan pinjaman hipotek, dan menghargai bahwa untuk penerimaan hipotek ada peraturan keras dan cepat yang tidak selalu ada dengan jenis pinjaman.

Sementara sistem pakar telah membedakan diri dalam penelitian AI dalam menemukan aplikasi praktis, aplikasi mereka telah terbatas. Sistem pakar terkenal sempit dalam domain pengetahuan-sebagai contoh yang lucu, seorang peneliti menggunakan "penyakit kulit" sistem pakar untuk mendiagnosa mobil sebagai rustbucket nya cenderung campak telah mengembangkan sistem-dan dengan demikian cenderung membuat kesalahan bahwa manusia akan mudah spot. Selain itu, setelah beberapa mistik telah memudar, sebagian besar programmer menyadari bahwa sistem pakar sederhana itu pada dasarnya hanya sedikit lebih rumit keputusan versi logika mereka sudah menggunakan. Oleh karena itu, beberapa teknik sistem pakar sekarang dapat ditemukan di sebagian besar program yang rumit tanpa ada ribut-ribut tentang mereka.

Sebuah contoh, dan demonstrasi yang baik keterbatasan, sebuah sistem pakar yang digunakan oleh banyak orang adalah sistem operasi Microsoft Windows perangkat lunak pemecahan masalah terletak di "help" di bagian menu taskbar. Memperoleh ahli / teknis dukungan sistem operasi seringkali sulit bagi individu yang tidak terlibat erat dengan perkembangan sistem operasi. Microsoft telah merancang sistem pakar mereka untuk memberikan solusi, saran, dan saran untuk kesalahan umum ditemui di seluruh menggunakan sistem operasi.

1970-an dan 1980-an lain penerapan sistem pakar - yang sekarang kita hanya akan menelepon AI - berada dalam permainan komputer. Sebagai contoh, komputer bisbol Earl Weaver Baseball dan Tony La Russa Baseball masing-masing sudah sangat rinci simulasi strategi permainan kedua manajer bisbol. Ketika seorang manusia memainkan permainan melawan komputer, komputer yang tanya Earl Weaver atau Tony La Russa Expert System untuk keputusan mengenai strategi apa yang harus diikuti. Bahkan orang-orang pilihan di mana beberapa keacakan merupakan bagian dari sistem alam (seperti saat melemparkan pitch kejutan-out untuk mencoba untuk mengelabui seorang pelari berusaha untuk mencuri dasar) yang ditentukan berdasarkan probabilitas yang disediakan oleh Weaver atau La russa. Hari ini kita hanya akan mengatakan bahwa "permainan lawan AI disediakan manajer strategi."

Keuntungan dan kerugian

Keuntungan:
Konsisten menyediakan jawaban untuk keputusan berulang-ulang, proses dan tugas
Memegang dan mempertahankan tingkat informasi yang signifikan
Mendorong organisasi untuk memperjelas logika pengambilan keputusan mereka
Pernah "lupa" untuk mengajukan pertanyaan, sebagai manusia mungkin
Dapat bekerja sepanjang jam
Dapat digunakan oleh user lebih sering
Multi-user sistem pakar dapat melayani lebih banyak pengguna pada suatu waktu

Kekurangan:
Kekurangan akal sehat diperlukan dalam beberapa pengambilan keputusan
Tidak dapat membuat tanggapan kreatif sebagai ahli manusia akan dalam kondisi yang tidak biasa
Ahli domain tidak selalu bisa menjelaskan logika dan penalaran mereka
Kesalahan dapat terjadi dalam basis pengetahuan, dan menyebabkan keputusan yang salah
Tidak dapat beradaptasi dengan perubahan lingkungan, kecuali basis pengetahuan berubah

Jenis masalah diselesaikan oleh sistem pakar

Sistem pakar yang paling berharga bagi organisasi yang memiliki tingkat tinggi tahu-bagaimana pengalaman dan keahlian yang tidak dapat dengan mudah ditransfer ke anggota lain. Mereka dirancang untuk membawa intelijen dan informasi yang ditemukan dalam kecerdasan para ahli dan memberikan pengetahuan ini kepada anggota lain dari organisasi untuk tujuan pemecahan masalah.

Biasanya, masalah yang harus dipecahkan adalah dari jenis yang biasanya akan ditangani oleh medis atau profesional lainnya. Benar-benar ahli dalam masalah domain (yang biasanya akan menjadi sangat sempit, misalnya "mendiagnosa kondisi kulit remaja manusia") akan diminta untuk memberikan "aturan ibu jari" pada bagaimana mereka mengevaluasi masalah-masalah, baik secara eksplisit dengan bantuan dari pengembang sistem berpengalaman , atau kadang-kadang secara implisit, dengan mengajak para ahli seperti kasus-kasus pengujian untuk mengevaluasi dan menggunakan program komputer untuk memeriksa data pengujian dan (dalam cara yang sangat terbatas) buatlah aturan dari itu. Secara umum, sistem pakar digunakan untuk masalah yang tidak ada satu "benar" solusi yang dapat dikodekan dalam algoritma konvensional - salah satu tidak akan menulis sebuah sistem pakar untuk menemukan jalur terpendek melalui grafik, atau mengurutkan data, karena terdapat cukup mudah cara untuk melakukan tugas-tugas ini.

Menggunakan sistem sederhana sederhana benar / salah logika untuk mengevaluasi data. Sistem yang lebih canggih mampu melakukan setidaknya beberapa evaluasi, dengan mempertimbangkan ketidakpastian dunia nyata, dengan menggunakan metode-metode seperti logika fuzzy. Kecanggihan seperti ini sulit untuk mengembangkan dan masih sangat tidak sempurna.
[sunting]
Sistem pakar Kerang atau Inference Engine

Sebuah shell adalah lingkungan pengembangan yang lengkap untuk membangun dan memelihara aplikasi berbasis pengetahuan. Ini menyediakan langkah-demi-langkah metodologi, dan idealnya user-friendly interface seperti antarmuka grafis, untuk pengetahuan insinyur yang memungkinkan para pakar domain sendiri untuk secara langsung terlibat dalam pengkodean strukturisasi dan pengetahuan. Banyak kerang komersial yang tersedia, satu contoh yang eGanges yang bertujuan untuk menghilangkan perlunya pengetahuan insinyur.\
Pengenalan Rule-Based Systems

Dengan serangkaian pernyataan, yang secara kolektif membentuk 'ingatan kerja', dan satu set aturan yang menentukan bagaimana harus bertindak di set pernyataan, sebuah sistem berbasis aturan dapat diciptakan. Sistem berbasis aturan yang cukup sederhana, terdiri dari lebih dari satu set jika-maka pernyataan, tetapi memberikan dasar bagi apa yang disebut "sistem pakar" yang banyak digunakan di berbagai bidang. Konsep sistem pakar adalah: pengetahuan ahli dikodekan ke dalam aturan ditetapkan. Saat berhubungan dengan data yang sama, maka sistem pakar AI akan tampil dengan cara yang sama para ahli.

Sistem berbasis aturan adalah model yang relatif sederhana yang dapat disesuaikan dengan sejumlah masalah. Seperti halnya AI, sebuah sistem berbasis aturan memiliki kekuatan serta keterbatasan yang harus dipertimbangkan sebelum memutuskan apakah teknik yang tepat digunakan untuk masalah tertentu. Secara keseluruhan, sistem berbasis aturan benar-benar hanya layak untuk masalah yang setiap dan semua pengetahuan di bidang masalah dapat ditulis dalam bentuk jika-maka aturan-aturan dan untuk yang masalah ini daerah itu tidak besar. Jika ada terlalu banyak peraturan, sistem ini dapat menjadi sulit untuk mempertahankan dan dapat mengalami kinerja hit.

Untuk membuat sebuah sistem berbasis aturan untuk suatu masalah, Anda harus memiliki (atau menciptakan) sebagai berikut:

Satu set fakta untuk mewakili memori kerja awal. Ini harus sesuatu yang relevan dengan keadaan awal sistem.
Satu set aturan. Ini harus meliputi setiap dan semua tindakan yang harus diambil dalam ruang lingkup masalah, tapi tidak ada yang tidak relevan. Jumlah aturan dalam sistem dapat mempengaruhi kinerja, sehingga Anda tidak ingin apapun yang tidak diperlukan.
Sebuah kondisi yang menentukan bahwa solusi telah ditemukan atau belum ada. Hal ini diperlukan untuk mengakhiri beberapa sistem berbasis aturan yang menemukan diri mereka dalam loop tak terbatas sebaliknya.
Teori Sistem Berbasis Aturan

Aturan berbasis sistem itu sendiri menggunakan teknik yang sederhana: Dimulai dengan aturan-basa, yang berisi semua pengetahuan yang sesuai dikodekan menjadi aturan Jika-Maka, dan memori kerja, yang mungkin atau mungkin tidak mengandung data apapun pada awalnya, pernyataan atau awalnya informasi yang diketahui. Sistem mengkaji seluruh aturan kondisi (IF) dan menentukan subset, konflik set, dari aturan kondisi yang puas didasarkan pada memori kerja. Menetapkan konflik ini, salah satu dari aturan-aturan itu dipicu (dipecat). Mana yang dipilih didasarkan pada strategi resolusi konflik. Ketika aturan dipecat, setiap tindakan yang ditetapkan dalam klausul KEMUDIAN dilakukan. Tindakan ini dapat memodifikasi memori kerja, aturan-dasar itu sendiri, atau melakukan apa saja sistem programmer lain memutuskan untuk memasukkan. Tembakan loop ini peraturan dan melakukan tindakan-tindakan berlanjut sampai salah satu dari dua syarat ini terpenuhi: tidak ada lagi peraturan yang kondisi puas atau aturan tindakan yang ditembakkan menentukan program harus mengakhiri.

Aturan yang dipilih untuk api adalah fungsi dari strategi resolusi konflik. Strategi yang dipilih dapat ditentukan oleh masalah atau mungkin masalah preferensi. Dalam setiap kasus, sangat penting seperti kontrol mana dari peraturan yang berlaku ditembakkan dan dengan demikian bagaimana seluruh sistem berperilaku. Ada beberapa strategi yang berbeda, tapi di sini adalah beberapa yang paling umum:

Pertama Berlaku: Jika aturan dalam urutan tertentu, menembakkan pertama berlaku satu memungkinkan kontrol atas urutan peraturan api. Ini adalah strategi yang paling sederhana dan memiliki potensi untuk masalah besar: yang loop yang tak terbatas pada aturan yang sama. Jika memori kerja tetap sama, seperti halnya peraturan-dasar, maka kondisi aturan pertama tidak berubah dan itu akan api lagi dan lagi. Untuk mengatasi ini, adalah praktik yang umum untuk menunda aturan yang dipecat dan mencegahnya dari penembakan kembali sampai data dalam memori kerja, yang memenuhi syarat aturan, telah berubah.
Random: Meskipun tidak menyediakan prediktabilitas atau kontrol pertama-strategi yang berlaku, hal ini mempunyai keuntungan. Untuk satu hal, yang tidak dapat diprediksi adalah sebuah keuntungan dalam beberapa keadaan (seperti game misalnya). Strategi acak hanya memilih satu aturan acak api dari konflik ditetapkan. Kemungkinan lain untuk strategi acak adalah aturan fuzzy berbasis sistem di mana setiap peraturan memiliki probabilitas bahwa beberapa peraturan tersebut lebih cenderung api daripada yang lain.
Kebanyakan Khusus: Strategi ini didasarkan pada jumlah kondisi peraturan. Dari konflik ditetapkan, aturan dengan kondisi yang paling dipilih. Hal ini didasarkan pada asumsi bahwa jika memiliki kondisi yang paling kemudian itu yang paling relevan dengan data yang ada.
Least Recently Used: Setiap aturan disertai dengan langkah waktu atau cap, yang menandakan waktu terakhir itu digunakan. Hal ini akan memaksimalkan jumlah aturan individu yang dipecat setidaknya sekali. Jika semua aturan yang diperlukan untuk pemecahan masalah tertentu, ini adalah strategi yang sempurna.
"Best" aturan: Untuk bekerja, setiap aturan diberi 'berat,' yang menentukan berapa harus dipertimbangkan atas alternatif. Aturan dengan hasil yang paling disukai adalah dipilih berdasarkan berat badan ini.