Wie implementiere ich ein Expertensystem in der künstlichen Intelligenz?

In diesem Artikel wird das Expertensystem für künstliche Intelligenz untersucht, das aus guten Gründen die Technologiewelt umrundet.

Expertensystem In Dieser Begriff macht aus allen guten Gründen Runden in der Technologiewelt. In diesem Artikel werden wir dieses Thema im Detail untersuchen.

Die folgenden Hinweise werden in diesem Artikel behandelt:



Beginnen wir also mit diesem Artikel.

Was ist künstliche Intelligenz?

Normalerweise deutet der Name Künstliche Intelligenz auf die Intelligenz einer künstlichen Maschine hin. Die Intelligenz, die der Mensch besitzt, wird als menschliche Intelligenz bezeichnet, ebenso wie die von einer Maschine demonstrierte Intelligenz als künstliche Intelligenz bezeichnet wird. In der Informatik. Künstliche Intelligenz (KI), manchmal auch Maschinenintelligenz genannt. Das Forschungsgebiet der künstlichen Intelligenz wurde 1956 in einem Workshop am Dartmouth College geboren.

Bild - Expertensystem in Künstlich - Edureka

wie man die Zahl in Java umkehrt

Anwendungen der künstlichen Intelligenz in der realen Welt:

Die Chatbots wie SIRI, CORTANA, die heutzutage so populär geworden sind. Andere Beispiele wie EVA (Electronic Virtual Assistant), ein AI-basierter Chatbot, der von der AI-Forschungsabteilung der HDFC-Banken entwickelt wurde und Wissen aus Tausenden von Quellen sammeln und in weniger als 0,4 Sekunden einfache Antworten liefern kann. Es gibt so viele Beispiele für KI-Anwendungen, die Sie in verschiedenen Bereichen unserer Gesellschaft finden.

Weiter mit diesem Expertensystem für künstliche Intelligenz,

Expertensystem für künstliche Intelligenz

Was ist ein Expertensystem?

Forscher der Standford University, Abteilung Informatik, haben diese Domäne der KI eingeführt und sie ist eine herausragende Forschungsdomäne der KI. Es ist eine Computeranwendung, die die komplexesten Probleme einer bestimmten Domäne lösen kann. Es wird auf höchstem Niveau menschlicher Intelligenz und Fachkenntnis betrachtet, da es auf dem Wissen basiert, das von einem Experten erworben wurde. Das Expertensystem kann auch als computergestütztes Entscheidungssystem definiert werden, das komplexe Entscheidungsprobleme sowohl anhand von Fakten als auch anhand von Heuristiken lösen kann.

Weiter mit diesem Expertensystem für künstliche Intelligenz,

Domänen, in denen Expertensysteme verwendet werden

Expertensysteme heute

Die American Medical Association hat das erste Expertensystem genehmigt, das Pathfinder-System. Es wurde 1980 an der Standford University für die Diagnose der Hämatopathologie gebaut. Dieses entscheidungstheoretische Expertensystem, kurz Pathfinder, kann Lymphknotenerkrankungen diagnostizieren. Am Ende befasst es sich mit über 60 Krankheiten und kann über 100 Symptome erkennen.

Expertensystem in der Wirtschaft

ROSS, der KI-Anwalt, hat kürzlich ein Expertensystem entwickelt. ROSS ist ein selbstlernendes System, das Data Mining, Mustererkennung, tiefes Lernen und Verarbeitung natürlicher Sprache verwendet, um die Funktionsweise des menschlichen Gehirns nachzuahmen.

Weiter mit diesem Expertensystem für künstliche Intelligenz,

Hauptanwendungsbereiche

  • Interpretation - Schlussfolgerungen auf hoher Ebene auf der Grundlage von Daten ziehen.
  • Vorhersage - Projektion wahrscheinlicher Ergebnisse.
  • Diagnose - Ermittlung der Ursache von Fehlfunktionen, Krankheiten usw.
  • Design -SeinErmittlung der besten Konfiguration anhand von Kriterien.
  • Planung - Vorschlag einer Reihe von Maßnahmen zur Erreichung eines Ziels.
  • Überwachung - Vergleich des beobachteten Verhaltens mit dem erwarteten Verhalten.
  • Debuggen und Reparieren - Verschreiben und Implementieren von Abhilfemaßnahmen.
  • Unterricht - Unterstützung der Schüler beim Lernen.
  • Kontrolle - Steuerung des Verhaltens eines Systems.

Zweck des Expertensystems

Der Hauptzweck eines Expertensystems besteht darin, Wissen von menschlichen Experten zu erwerben und dieses Wissen und die Fähigkeiten von menschlichen Experten in einem bestimmten Bereich zu replizieren. Dann wird das System dieses Wissen und diese Fähigkeiten nutzen, um komplexe Probleme dieses bestimmten Bereichs ohne Beteiligung menschlicher Experten zu lösen.

Eigenschaften von Expertensystemen

  • Hochleistung
  • Verständlich
  • Zuverlässig
  • Sehr reaktionsschnell

Hauptkomponenten eines regelbasierten oder eines Expertensystems

Die Hauptkomponenten sind:

  • Wissensbasis
  • Arbeitsgedächtnis
  • Inferenzmaschine
  • Erklärungssystem
  • Benutzeroberfläche
  • Wissensdatenbank-Editor

Weiter mit diesem Expertensystem für künstliche Intelligenz,

Drei Phasen des Entwurfs von ES

Wissenserwerb:

Der Prozess, Wissen von Experten durch Befragung oder Beobachtung menschlicher Experten, Lesen bestimmter Bücher usw. zu erhalten.

Wissensbasis:

Die Wissensbasis ist ein Container mit qualitativ hochwertigem Wissen. Fähigkeiten entwickeln sich durch Übung und Intelligenz kommt von Wissen ohne Wissen, das man nicht beweisen oder seine Intelligenz nicht zeigen kann. Wissen ist daher sehr wichtig, um Fähigkeiten zu entwickeln und Intelligenz zu zeigen. Ebenso ist Wissen erforderlich, damit die Maschine auch ihre Intelligenz zeigt. Die Genauigkeit der Vorhersage und auch die Leistung des Systems hängen in hohem Maße von der Sammlung perfekter, genauer und präziser Kenntnisse ab.

Was ist nun Wissen?

Wissen ist Daten oder Information. Für uns Menschen durch das Lesen von Artikeln und durch das Lesen von Büchern oder aus verschiedenen Quellen haben wir Wissen gesammelt. Wenn wir den Prozess des Erlangens und Anreicherns von Wissen minutiös sehen können, werden wir dies durch das Lesen von Büchern oder durch das Lesen von Artikeln oder aus irgendwelchen Ressourcen feststellen Abrufen und Extrahieren von Daten und Informationen aus verschiedenen Quellen, die wir dann in unserem Gehirn gespeichert haben. Wissen ist also Daten, Wissen ist Information. Wissen ist auch eine Sammlung von Fakten.

Daten, Informationen und Erfahrungen aus der Vergangenheit werden als Wissen bezeichnet.

Wissensrepräsentation:

Wissensrepräsentation ist die Methode zur Auswahl der am besten geeigneten Strukturen zur Repräsentation des Wissens. Es ist die Methode zum Organisieren und Formalisieren von Wissen in der Wissensbasis. Dies erfolgt in Form von IF-THEN-ELSE-Regeln.

Wissensvalidierung:

Das Testen der ES-Kenntnisse ist korrekt und vollständig.Dieser gesamte Prozess wird als Knowledge Engineering bezeichnet.

Inferenz-Engine:

Bei wissensbasierter ES erfasst und manipuliert die Inference Engine das Wissen aus der Wissensbasis, um zu einer bestimmten Lösung zu gelangen.

Bei regelbasierter ES,

  • Es wendet Regeln wiederholt auf die Tatsachen an, die sich aus einer früheren Regelanwendung ergeben.
  • Bei Bedarf wird neues Wissen in die Wissensbasis aufgenommen.
  • Es löst Regelkonflikte, wenn mehrere Regeln auf einen bestimmten Fall anwendbar sind.

Inference Engine verwendet die folgenden Strategien & Minus

  • Vorwärtsverkettung
  • Rückwärtsverkettung

Vorwärtsverkettung

Bei der Vorwärtsverkettung gibt die Inferenz-Engine das Ergebnis an, indem sie der Kette von Bedingungen und Ableitungen folgt. Unabhängig davon, welches Wissen in das System eingespeist wird, durchläuft es all diese Kenntnisse und Fakten und sortiert sie, bevor eine Lösung gefunden wird. Durch die Vorwärtsverkettungsmethode versucht das Expertensystem zu antworten: 'Was kann als nächstes passieren?'

Anwendung der Vorwärtsverkettung: Immobilienpreisprognose, Aktienprognose, Prognose des Aktienmarktes usw.

Rückwärtsverkettung

Wenn in einer bestimmten Domäne etwas passiert ist, versucht die Inference Engine herauszufinden, welche Bedingung in der Vergangenheit für dieses Ergebnis aufgetreten sein könnte. Durch die Rückwärtsverkettungsmethode versucht das Expertensystem zu antworten: 'Warum ist das passiert?'. Durch die Rückwärtsverkettungsmethode versucht die Inferenzmaschine, Ursache oder Grund herauszufinden.

ist eine hat eine Beziehung

Zum Beispiel: Diagnose von Blutkrebs beim Menschen.

Vor- und Nachteile

Vorteile des Expertensystems

  1. Halten Sie riesige Mengen an Informationen
  2. Minimieren Sie die Schulungskosten für Mitarbeiter
  3. Zentralisieren Sie den Entscheidungsprozess
  4. Machen Sie die Dinge effizienter, indem Sie den Zeitaufwand für die Lösung von Problemen reduzieren
  5. Kombinieren Sie verschiedene menschliche Expertenintelligenzen
  6. Reduzieren Sie die Anzahl menschlicher Fehler
  7. Bieten Sie strategische und komparative Vorteile, die den Wettbewerbern Probleme bereiten können
  8. Schauen Sie sich Transaktionen an, an die menschliche Experten möglicherweise nicht denken
  9. Geben Sie Antworten auf Entscheidungen, Prozesse und Aufgaben, die sich wiederholen

Nachteile des Expertensystems:

  1. Mangel an kreativen Antworten, zu denen menschliche Experten fähig sind
  2. Nicht in der Lage, die Logik und die Argumentation hinter einer Entscheidung zu erklären
  3. Es ist nicht einfach, komplexe Prozesse zu automatisieren
  4. Es gibt keine Flexibilität und Anpassungsfähigkeit an sich ändernde Umgebungen
  5. Kann nicht erkennen, wenn keine Antwort vorliegt
  6. Kein gesunder Menschenverstand bei Entscheidungen

Einschränkungen:

  • Es kann keine kreativen Antworten geben, da es sich um eine Maschine handelt.
  • Wenn die Daten, die in die Wissensdatenbank eingegeben wurden, nicht korrekt oder korrekt sind, werden falsche Vorhersagen und falsche Ergebnisse angezeigt.
  • Die Wartungskosten des Expertensystems sind hoch.
  • Wenn unterschiedliche Probleme auftreten, kann der menschliche Experte unterschiedliche Lösungen und kreative Antworten geben, aber das Expertensystem gibt keine kreativen Antworten.

Dies bringt uns zum Ende dieses Artikels über Expertensysteme in der künstlichen Intelligenz.

Wenn Sie sich für einen vollständigen Kurs über künstliche Intelligenz und maschinelles Lernen anmelden möchten, hat Edureka einen speziell kuratierten Kurs Dadurch beherrschen Sie Techniken wie überwachtes Lernen, unbeaufsichtigtes Lernen und Verarbeitung natürlicher Sprachen. Es umfasst Schulungen zu den neuesten Fortschritten und technischen Ansätzen im Bereich künstliche Intelligenz und maschinelles Lernen wie Deep Learning, grafische Modelle und Reinforcement Learning.