Из Википедии, бесплатной энциклопедии
  (Перенаправлено из экспертных систем )
Перейти к навигации Перейти к поиску
Symbolics Lisp Machine: ранняя платформа для экспертных систем.

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

История [ править ]

Раннее развитие [ править ]

Вскоре после появления современных компьютеров в конце 1940-х - начале 1950-х годов исследователи начали осознавать огромный потенциал этих машин для современного общества. Одна из первых задач заключалась в том, чтобы сделать такую ​​машину способной «думать» как люди. В частности, сделать эти машины способными принимать важные решения так, как это делают люди. Сфера медицины и здравоохранения представляет соблазнительную проблему, позволяющую этим машинам принимать медицинские диагностические решения. [9]

Таким образом, в конце 1950-х годов, сразу после того, как наступила эпоха информации, исследователи начали экспериментировать с перспективой использования компьютерных технологий для имитации принятия решений человеком. Например, биомедицинские исследователи начали создавать автоматизированные системы для диагностических приложений в медицине и биологии. Эти ранние диагностические системы использовали симптомы пациентов и результаты лабораторных анализов в качестве входных данных для получения диагностического результата. [10] [11] Эти системы часто описывались как ранние формы экспертных систем. Однако исследователи осознали, что существуют значительные ограничения при использовании традиционных методов, таких как блок-схемы [12] [13], статистическое сопоставление с образцом [14] или теория вероятностей. [15] [16]

Официальное введение и более поздние разработки [ править ]

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

Экспертные системы были официально введены около 1965 [20] в Стэнфордском эвристического программирования проекта во главе с Фейгенбаум , который иногда называют «отцом экспертных систем»; другими ключевыми первыми участниками были Брюс Бьюкенен и Рэндалл Дэвис. Исследователи из Стэнфорда попытались определить области, в которых экспертиза была высоко оценена и сложна, например, диагностика инфекционных заболеваний ( Mycin ) и идентификация неизвестных органических молекул ( Dendral ). Идея о том, что «интеллектуальные системы получают свою силу от знаний, которыми они обладают, а не от конкретных формализмов и схем вывода, которые они используют» [21]- как сказал Фейгенбаум - в то время было значительным шагом вперед, поскольку прошлые исследования были сосредоточены на эвристических вычислительных методах, кульминацией которых были попытки разработать средства решения задач очень общего назначения (в первую очередь совместная работа Аллена Ньюэлла и Герберта Саймона ). [22] Экспертные системы стали одними из первых действительно успешных форм программного обеспечения искусственного интеллекта (ИИ). [4] [5] [6] [7] [8]

Исследования экспертных систем также велись во Франции. В то время как в США основное внимание уделялось системам, основанным на правилах, сначала системам, жестко запрограммированным поверх сред программирования LISP, а затем - оболочкам экспертных систем, разработанных такими поставщиками, как Intellicorp , во Франции исследования были сосредоточены больше на системах, разработанных на Prolog . Преимущество экспертных системных оболочек состояло в том, что их было несколько проще использовать непрограммистам. Преимущество сред Prolog состояло в том, что они не были сосредоточены только на правилах « если-то» ; Среды Пролога обеспечивали гораздо лучшую реализацию полной логической среды первого порядка . [23] [24]

В 1980-х годах экспертные системы получили распространение. Университеты предлагали курсы по экспертным системам, и две трети компаний из списка Fortune 500 применяли эту технологию в повседневной деловой деятельности. [3] [25] Международный интерес вызвал проект компьютерных систем пятого поколения в Японии и увеличение финансирования исследований в Европе.

В 1981 году был представлен первый IBM PC с операционной системой PC DOS . Дисбаланс между высокой доступностью относительно мощных микросхем в ПК по сравнению с гораздо более высокой стоимостью вычислительной мощности в мэйнфреймах, доминировавшей в корпоративном ИТ-мире в то время, создал новый тип архитектуры для корпоративных вычислений, получивший название клиент-серверная модель . [26] Расчеты и рассуждения можно проводить за небольшую часть стоимости мэйнфрейма с использованием ПК. Эта модель также позволяла бизнес-подразделениям обходить корпоративные ИТ-отделы и напрямую создавать свои собственные приложения. В результате клиент-сервер оказал огромное влияние на рынок экспертных систем. Экспертные системы уже были исключениями в большей части делового мира, требуя новых навыков, которых многие ИТ-отделы не имели и не стремились развивать. Они идеально подходили для новых оболочек для 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 появлением ПК и клиент-серверных вычислений такие поставщики, как Intellicorp и Inference Corporation, сместили свои приоритеты на разработку инструментов на базе ПК. Также стали регулярно появляться новые поставщики, часто финансируемые венчурным капиталом (такие как Aion Corporation, Neuron Data , Exsys и многие другие [27] [28] ).

Первой экспертной системой, которая использовалась для проектирования крупномасштабного продукта, была программа SID (Synthesis of Integral Design), разработанная в 1982 году. Написанная на LISP , SID генерировала 93% логических вентилей ЦП VAX 9000 . [29] Входными данными в программное обеспечение был набор правил, созданный несколькими опытными разработчиками логики. SID расширил правила и сгенерировал программный логический синтезподпрограммы во много раз превышают размер самих правил. Удивительно, но сочетание этих правил привело к общему дизайну, который превзошел возможности самих экспертов и во многих случаях превзошел человеческие аналоги. В то время как одни правила противоречили другим, контрольные параметры верхнего уровня для скорости и площади были решающим фактором. Программа вызвала большие споры, но тем не менее использовалась из-за бюджетных ограничений проекта. Он был прекращен разработчиками логики после завершения проекта VAX 9000.

В течение лет до середины 1970-х годов ожидания относительно того, что экспертные системы могут выполнить во многих областях, были чрезвычайно оптимистичными. В начале этих ранних исследований исследователи надеялись разработать полностью автоматические (т. Е. Полностью компьютеризированные) экспертные системы. Ожидания людей относительно того, что могут делать компьютеры, часто были слишком идеалистическими. Эта ситуация радикально изменилась после того, как Ричард М. Карп опубликовал в начале 1970-х годов свою революционную статью «Сводимость среди комбинаторных проблем». [30]Благодаря работе Карпа стало ясно, что при разработке компьютерных алгоритмов существуют определенные ограничения и возможности. Его выводы описывают, что компьютеры могут делать, а что нет. Многие вычислительные задачи, связанные с этим типом экспертных систем, имеют определенные прагматические ограничения. Эти открытия заложили основу, которая привела к следующим разработкам в этой области. [9]

В 1990-е годы и позже термин « экспертная система» и идея автономной системы ИИ по большей части выпали из лексикона ИТ. Есть две интерпретации этого. Один из них заключается в том, что «экспертные системы потерпели неудачу»: мир ИТ двинулся дальше, потому что экспертные системы не оправдали своих завышенных ожиданий. [31] [32] Другая - зеркальная противоположность: экспертные системы были просто жертвами своего успеха: по мере того, как ИТ-специалисты усвоили такие концепции, как механизмы правил, такие инструменты из автономных инструментов для разработки специализированных экспертных систем превратились в один многих стандартных инструментов. [33] Многие ведущие поставщики пакетов бизнес-приложений (такие как SAP , Siebel иOracle ) интегрировала возможности экспертной системы в свой набор продуктов как способ определения бизнес-логики - механизмы правил больше не просто для определения правил, которые эксперт будет использовать, а для любого типа сложной, изменчивой и критически важной бизнес-логики; они часто идут рука об руку со средами автоматизации бизнес-процессов и интеграции. [34] [35] [36]

Современные подходы к экспертным системам [ править ]

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 к машинному обучению и интеллектуальному анализу данных с механизмом обратной связи [ цитата необходима ] . Связано обсуждение раздела о недостатках.

Современные системы могут легче включать новые знания и, следовательно, легко обновлять себя. Такие системы могут лучше обобщать существующие знания и работать с огромными объемами сложных данных. Связанная здесь тема больших данных . Иногда такие экспертные системы называют «интеллектуальными системами». [9]

Архитектура программного обеспечения [ править ]

Иллюстрирующий пример обратной цепочки из магистерской диссертации 1990 г. [37]

Экспертная система - это пример системы, основанной на знаниях . Экспертные системы были первыми коммерческими системами, в которых использовалась архитектура, основанная на знаниях. Система, основанная на знаниях, по существу состоит из двух подсистем: базы знаний и механизма вывода . [38]

База знаний представляет факты о мире. В ранних экспертных системах, таких как Mycin и Dendral, эти факты были представлены в основном как плоские утверждения о переменных. В более поздних экспертных системах, разработанных с коммерческими оболочками, база знаний стала более структурированной и использовала концепции объектно-ориентированного программирования. Мир был представлен в виде классов, подклассов и экземпляров, а утверждения были заменены значениями экземпляров объектов. Правила работали, запрашивая и утверждая значения 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 может также включать в себя возможности для объяснения, чтобы он мог объяснить пользователю цепочку рассуждений, используемую для достижения определенного вывода, путем отслеживания срабатывания правил, которые привели к утверждению. [39]

В основном есть два режима для механизма вывода: прямая цепочка и обратная цепочка . Различные подходы продиктованы тем, управляется ли машина вывода антецедентом (левая сторона) или следствием (правая сторона) правила. В прямой цепочке антецедент срабатывает и утверждает следствие. Например, рассмотрим следующее правило:

Простым примером прямой цепочки может быть утверждение человека (Сократа) в системе, а затем запуск механизма вывода. Он будет соответствовать R1 и утверждать Смертного (Сократа) в базе знаний.

Обратная цепочка немного менее прямолинейна. При обратной цепочке система рассматривает возможные выводы и работает в обратном направлении, чтобы увидеть, могут ли они быть верными. Итак, если система пыталась определить, истинен ли Смертный (Сократ), она найдет R1 и запросит базу знаний, чтобы узнать, истинен ли Человек (Сократ). Одним из первых нововведений 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 знает, то она может просто сгенерировать экран ввода и спросить пользователя, известна ли информация. Итак, в этом примере он может использовать R1, чтобы спросить пользователя, был ли Сократ Человеком, а затем использовать эту новую информацию соответственно.

Использование правил для явного представления знаний также позволило расширить возможности объяснения. В простом примере, приведенном выше, если система использовала R1, чтобы утверждать, что Сократ был смертным, и пользователь хотел понять, почему Сократ был смертным, они могли бы запросить систему, и система оглянулась бы на правила, которые сработали, чтобы вызвать утверждение, и представила бы те. правила пользователю в качестве объяснения. На английском, если пользователь спросил: «Почему Сократ смертен?» система ответит: «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. [40]

По мере развития экспертных систем многие новые методы были включены в различные типы механизмов вывода. [41] Некоторые из наиболее важных из них:

  • Сохранение правды. Эти системы регистрируют зависимости в базе знаний, так что при изменении фактов зависимые знания могут быть изменены соответствующим образом. Например, если система узнает, что Сократ больше не известен как человек, она отменит утверждение, что Сократ смертен.
  • Гипотетическое рассуждение. В этом случае базу знаний можно разделить на множество возможных точек зрения, иначе говоря, миров. Это позволяет механизму вывода параллельно исследовать несколько возможностей. Например, система может захотеть исследовать последствия обоих утверждений: что будет правдой, если Сократ - Человек, и что будет правдой, если это не так?
  • Системы неопределенности. Одним из первых расширений простого использования правил для представления знаний было также связывание вероятности с каждым правилом. Итак, не утверждать, что Сократ смертен, но утверждать, что Сократ может быть смертным с некоторой вероятностью. Простые вероятности были расширены в некоторых системах со сложными механизмами для неопределенных рассуждений, такими как нечеткая логика и комбинация вероятностей.
  • Классификация онтологий . С добавлением классов объектов в базу знаний стал возможен новый тип рассуждений. Помимо рассуждений просто о значениях объектов, система может также рассуждать о структурах объектов. В этом простом примере Man может представлять класс объекта, а R1 можно переопределить как правило, определяющее класс всех мужчин. Эти типы механизмов вывода специального назначения называются классификаторами . Хотя классификаторы не получили широкого применения в экспертных системах, они очень эффективны для неструктурированных изменчивых доменов и являются ключевой технологией для Интернета и зарождающейся семантической сети . [42] [43]

Преимущества [ править ]

Цель систем, основанных на знаниях, - сделать критически важную информацию, необходимую для работы системы, явной, а не неявной. [44] В традиционной компьютерной программе логика встроена в код, который обычно может проверить только ИТ-специалист. В случае экспертной системы цель состояла в том, чтобы определить правила в формате, который был интуитивно понятным и легко понимаемым, просматриваемым и даже редактируемым экспертами в предметной области, а не ИТ-специалистами. Преимущества этого явного представления знаний заключались в быстрой разработке и простоте обслуживания.

Простота обслуживания - самое очевидное преимущество. 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 поток программы (по крайней мере, на самом высоком уровне) был просто задан для системы, просто вызовите механизм вывода. Это также было причиной второго преимущества: быстрого прототипирования . С помощью оболочки экспертной системы можно было ввести несколько правил и разработать прототип за дни, а не за месяцы или год, обычно связанные со сложными ИТ-проектами.

Оболочки экспертных систем часто заявляли о том, что они устраняют необходимость в обученных программистах и ​​что эксперты могут сами разрабатывать системы. На самом деле это было редко, если вообще было правдой. Хотя правила для экспертной системы были более понятными, чем типичный компьютерный код, у них все еще был формальный синтаксис, в котором неуместная запятая или другой символ могли вызвать хаос, как и в случае с любым другим компьютерным языком. Кроме того, по мере того как экспертные системы перешли от прототипов в лаборатории к развертыванию в деловом мире, вопросы интеграции и обслуживания стали гораздо более важными. Неизбежно возникла потребность в интеграции с большими унаследованными базами данных и системами и их использовании. Для этого для интеграции требовались те же навыки, что и для любого другого типа системы. [45]

Недостатки [ править ]

Наиболее частым недостатком экспертных систем в академической литературе является приобретение знаний.проблема. Получить время экспертов в предметной области для любого программного приложения всегда сложно, но для экспертных систем это было особенно сложно, потому что эксперты по определению высоко ценились и пользовались постоянным спросом в организации. В результате этой проблемы в последние годы существования экспертных систем большое количество исследований было сосредоточено на инструментах для получения знаний, помогающих автоматизировать процесс проектирования, отладки и поддержки правил, определенных экспертами. Однако, если посмотреть на жизненный цикл экспертных систем в реальных условиях, другие проблемы - по сути те же проблемы, что и проблемы любой другой большой системы - кажутся по крайней мере столь же важными, как получение знаний: интеграция, доступ к большим базам данных и производительность. [46] [47]

Производительность могла быть особенно проблемной, потому что ранние экспертные системы были построены с использованием инструментов (таких как более ранние версии Lisp), которые интерпретировали выражения кода без их предварительной компиляции. Это обеспечило мощную среду разработки, но с недостатком, заключающимся в том, что было практически невозможно сопоставить эффективность самых быстрых компилируемых языков (таких как C ). Интеграция системы и базы данных была трудной для ранних экспертных систем, потому что инструменты были в основном на языках и платформах, которые не были ни знакомы, ни приветствуются в большинстве корпоративных ИТ-сред - языки программирования, такие как Lisp и Prolog, и аппаратные платформы, такие как машины Lisp.и персональные компьютеры. В результате на более поздних этапах разработки инструментов экспертных систем много усилий было сосредоточено на интеграции с устаревшими средами, такими как COBOL и большие системы баз данных, а также на переносе на более стандартные платформы. Эти проблемы были решены в основном за счет смены парадигмы клиент-сервер, поскольку ПК постепенно принимались в ИТ-среде в качестве законной платформы для серьезной разработки бизнес-систем и как доступные серверы миникомпьютеров, обеспечивающие вычислительную мощность, необходимую для приложений ИИ. [45]

Еще одна серьезная проблема экспертных систем возникает при увеличении размера базы знаний. Это приводит к увеличению сложности обработки. Например, когда экспертная система со 100 миллионами правил рассматривалась как окончательная экспертная система, стало очевидно, что такая система будет слишком сложной и столкнется со слишком большим количеством вычислительных проблем. [48] Механизм логического вывода должен быть способен обрабатывать огромное количество правил, чтобы прийти к решению.

Как проверить, что правила принятия решений согласованы друг с другом, также является проблемой, когда правил слишком много. Обычно такая проблема приводит к формулировке выполнимости (SAT). [49] Это хорошо известная NP-полная проблема проблема булевой выполнимости . Если мы примем только двоичные переменные, скажем, n из них, и тогда соответствующее пространство поиска будет размером 2 . Таким образом, пространство поиска может расти экспоненциально.

Также возникают вопросы о том, как расставить приоритеты при использовании правил, чтобы работать более эффективно, или как устранить двусмысленность (например, если в одном правиле слишком много подструктур else-if) и так далее. [50]

Другие проблемы связаны с эффектами переобучения и чрезмерного обобщения при использовании известных фактов и попытках обобщения на другие случаи, явно не описанные в базе знаний. Такие проблемы существуют и с методами, использующими подходы машинного обучения. [51] [52]

Еще одна проблема, связанная с базой знаний, заключается в том, как быстро и эффективно обновлять ее знания. [53] [54] [55] Также непросто, как добавить новый элемент знаний (то есть, где добавить его среди множества правил). Современные подходы, основанные на методах машинного обучения, в этом отношении проще [ цитата ] .

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

Ключевые проблемы, с которыми сталкиваются экспертные системы в медицине (если рассматривать системы компьютерной диагностики как современные экспертные системы) и, возможно, в других прикладных областях, включают вопросы, связанные с такими аспектами, как: большие данные, существующие правила, практика здравоохранения, различные алгоритмические проблемы. , и оценка системы. [56]

Приложения [ править ]

Хейс-Рот делит приложения экспертных систем на 10 категорий, показанных в следующей таблице. Примеры приложений не входили в исходную таблицу Хейса-Рота, и некоторые из них возникли значительно позже. Любое приложение, не указанное в сносках, описано в книге Хейса-Рота. [39] Кроме того, хотя эти категории обеспечивают интуитивно понятную структуру для описания пространства приложений экспертных систем, они не являются жесткими категориями, и в некоторых случаях приложение может отображать черты более чем одной категории.

Hearsay был ранней попыткой решения проблемы распознавания голоса с помощью экспертных систем. По большей части эта категория экспертных систем оказалась не очень успешной. Слухи и все системы интерпретации, по сути, являются системами распознавания образов, ищущими закономерности в зашумленных данных. В случае распознавания Hearsay фонем в аудиопотоке. Другими ранними примерами были анализ данных сонара для обнаружения российских подводных лодок. Такие системы оказались гораздо более податливыми для нейросетевого ИИ-решения, чем для подхода, основанного на правилах.

CADUCEUS и MYCIN были системами медицинской диагностики. Пользователь описывает свои симптомы компьютеру, как врачу, и компьютер возвращает медицинский диагноз.

Dendral был инструментом для изучения формирования гипотез при идентификации органических молекул. Решенная общая проблема - разработка решения с учетом ряда ограничений - была одной из самых успешных областей для ранних экспертных систем, применяемых в бизнес-областях, таких как продавцы, настраивающие компьютеры VAX Digital Equipment Corporation (DEC) и разработка приложений для ипотечного кредита.

SMH.PAL - это экспертная система оценки студентов с множественной инвалидностью. [63]

Mistral [58] - это экспертная система для мониторинга безопасности плотин, разработанная в 1990-х годах компанией Ismes (Италия). Он получает данные от автоматической системы мониторинга и выполняет диагностику состояния плотины. Его первая копия, установленная в 1992 году на плотине Ридраколи (Италия), работает круглосуточно и без выходных . Он был установлен на нескольких плотинах в Италии и за рубежом (например, плотина Итайпу в Бразилии), а также на участках оползней под названием Эйденет [59] и на памятниках под названием Калейдос. [60] Mistral - зарегистрированная торговая марка CESI .

См. Также [ править ]

  • AI зима
  • КЛИПЫ
  • Программирование логики ограничений
  • Удовлетворение ограничений
  • Инженерия знаний
  • Система обучающих классификаторов
  • Машинное обучение на основе правил

Ссылки [ править ]

  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 . Проверено 15 сентября 2013 .
  3. ^ a b Леондес, Корнелиус Т. (2002). Экспертные системы: технологии управления знаниями и принятия решений для 21 века . С. 1–22. ISBN 978-0-12-443880-4.
  4. ^ a b Рассел, Стюарт; Норвиг, Питер (1995). Искусственный интеллект: современный подход (PDF) . Саймон и Шустер. С. 22–23. ISBN  978-0-13-103805-9. Архивировано 5 мая 2014 года из оригинального (PDF) . Проверено 14 июня 2014 .
  5. ^ a b Luger & Stubblefield 2004 , стр. 227–331.
  6. ^ а б Нильссон 1998 , гл. 17.4.
  7. ^ а б МакКордак 2004 , стр. 327–335, 434–435.
  8. ^ а б Кревье 1993 , стр. 145–62, 197–203.
  9. ^ а б в г Янасэ Дж, Триантафиллу Э (2019). «Систематический обзор компьютерной диагностики в медицине: прошлое и настоящее». Экспертные системы с приложениями . 138 : 112821. DOI : 10.1016 / j.eswa.2019.112821 .
  10. ^ Ledley RS и прихотливый LB (1959). «Обоснование медицинской диагностики». Наука . 130 (3366): 9–21. Bibcode : 1959Sci ... 130 .... 9L . DOI : 10.1126 / science.130.3366.9 . PMID 13668531 . 
  11. ^ Weiss SM, Kulikowski CA, Amarel S, Safir A (1978). «Метод на основе моделей для автоматизированного принятия медицинских решений». Искусственный интеллект . 11 (1–2): 145–172. DOI : 10.1016 / 0004-3702 (78) 90015-2 .
  12. ^ Шварц WB (1970). «Медицина и компьютер: перспективы и проблемы перемен». Медицинский журнал Новой Англии . 283 (23): 1257–1264. DOI : 10.1056 / NEJM197012032832305 . PMID 4920342 .  
  13. ^ Bleich HL (1972). «Компьютерная консультация: Электролитные и кислотно-щелочные нарушения». Американский журнал медицины . 53 (3): 285–291. DOI : 10.1016 / 0002-9343 (72) 90170-2 . PMID 4559984 . 
  14. ^ Rosati Р.А., McNeer JF, Starmer CF, Миттлер BS, Моррис JJ, и Уоллес AG (1975). «Новая информационная система для медицинской практики». Архивы внутренней медицины . 135 (8): 1017–1024. DOI : 10,1001 / archinte.1975.00330080019003 . PMID 1156062 . 
  15. ^ Gorry Г.А., Kassirer ДП, Эссиг А, и Шварц ВБ (1973). «Анализ решений как основа компьютерного управления острой почечной недостаточностью». Американский журнал медицины . 55 (4): 473–484. DOI : 10.1016 / 0002-9343 (73) 90204-0 . PMID 4582702 . 
  16. ^ Szolovits P, Патил RS, и Шварц WB (1988). «Искусственный интеллект в медицинской диагностике». Анналы внутренней медицины . 108 (1): 80–87. DOI : 10.7326 / 0003-4819-108-1-80 . PMID 3276267 . 
  17. ^ Shortliffe EH и Buchanan BG (1975). «Модель неточного мышления в медицине». Математические биологические науки . 23 (3–4): 351–379. DOI : 10.1016 / 0025-5564 (75) 90047-4 .
  18. ^ Миллер Р., Попл Jr ОН и Myers JD (1982). «Internist-I, консультант по экспериментальной компьютерной диагностике общей внутренней медицины». Медицинский журнал Новой Англии . 307 (8): 468–476. DOI : 10.1056 / NEJM198208193070803 . PMID 7048091 . 
  19. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение . Эддисон-Уэсли. С. 1–275. ISBN 978-0451152640.
  20. ^ kenyon.edu: AI Timeline , получено 27 октября 2018 г.
  21. Эдвард Фейгенбаум, 1977. Перефразировано Хейз-Ротом и др.
  22. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Построение экспертных систем . Эддисон-Уэсли. С.  6–7 . ISBN 978-0-201-10686-2.
  23. ^ Джордж Ф. Люгер и Уильям А. Стаблфилд, Benjamin / Cummings Publishers, Оболочка экспертной системы на основе правил: пример кода с использованием оболочки экспертной системы на основе правил Пролога
  24. ^ A. Michiels , Université de Liège, Belgique: "PROLOG, первый декларативный язык
  25. ^ Дуркин, Дж. Экспертные системы: Каталог приложений. Интеллектуальные компьютерные системы, Inc., Акрон, Огайо, 1993.
  26. ^ Орфали, Роберт (1996). Основное руководство по выживанию клиент / сервер . Нью-Йорк: Wiley Computer Publishing. С.  1–10 . ISBN 978-0-471-15325-2.
  27. ^ Гурвиц, Джудит (2011). Умный или удачливый: как технологические лидеры превращают шанс в успех . Джон Вили и сын. п. 164. ISBN 978-1118033784. Проверено 29 ноября 2013 года .
  28. Данн, Роберт Дж. (30 сентября 1985 г.). «Расширяемый опыт для повседневных пользователей» . InfoWorld . 7 (39): 30 . Проверено 13 марта 2011 .
  29. ^ Карл С. Гибсон и др., VAX 9000 SERIES, Digital Technical Journal of Digital Equipment Corporation, Volume 2, Number 4, Fall 1990, pp 118-129.
  30. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных проблем» (PDF) . В RE Miller; Дж. В. Тэтчер (ред.). Сложность компьютерных вычислений . Нью-Йорк: Пленум. С. 85–103.
  31. ^ "Информационный бюллетень AI Expert: W для зимы" . Архивировано из оригинала на 2013-11-09 . Проверено 29 ноября 2013 .
  32. ^ Лейт П., "Взлет и падение правовой экспертной системы", в European Journal of Law and Technology, Vol 1, Issue 1, 2010
  33. Хаскин, Дэвид (16 января 2003 г.). «Спустя годы после шумихи,« Экспертные системы »для некоторых окупаются» . Датамация . Проверено 29 ноября 2013 года .
  34. ^ Служба новостей SAP. «Служба новостей SAP IntelliCorp объявляет об участии в SAP EcoHub» . laszlo.sys-con.com . LaszloTrack . Проверено 29 ноября 2013 года .
  35. ^ Pegasystems. «Умный BPM требует умных бизнес-правил» . pega.com . Проверено 29 ноября 2013 года .
  36. ^ Чжао, Кай; Инь, Ши; Чжан, Линьлинь; Ху, Луокай (9–10 октября 2010 г.). «Достижение интеграции бизнес-процессов и бизнес-правил с помощью SPL». Будущие информационные технологии и менеджмент (FITME) . 2 . Чанчжоу, Китай: IEEE. С. 329–332. DOI : 10.1109 / fitme.2010.5656297 . ISBN 978-1-4244-9087-5.
  37. Дэвид С. Ингланд (июнь 1990 г.). Экспертная система для управления опасными материалами в военно-морском центре снабжения (PDF) (магистерская диссертация). Военно-морская аспирантура Монтерей / Калифорния. Здесь: с.21.
  38. ^ Смит, Рид (8 мая 1985 г.). «Концепции, методы, примеры систем, основанных на знаниях» (PDF) . Рид Г. Смит . Проверено 9 ноября 2013 года .
  39. ^ a b Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Построение экспертных систем . Эддисон-Уэсли. ISBN 978-0-201-10686-2.
  40. ^ Набиль Арман , Политехнический университет Палестины, январь 2007 г., Обнаружение неисправностей в базах динамических правил с использованием связующих деревьев и несвязанных наборов: ""
  41. ^ Меттри, Уильям (1987). «Оценка инструментов для построения больших систем, основанных на знаниях» . Журнал AI . 8 (4). Архивировано из оригинала на 2013-11-10 . Проверено 29 ноября 2013 .
  42. МакГрегор, Роберт (июнь 1991 г.). «Использование классификатора описания для улучшения представления знаний». Эксперт IEEE . 6 (3): 41–46. DOI : 10.1109 / 64.87683 . S2CID 29575443 . 
  43. ^ Бернерс-Ли, Тим; Хендлер, Джеймс; Лассила, Ора (17 мая 2001 г.). «Семантическая сеть Web. Новая форма веб-контента, значимая для компьютеров, откроет революцию новых возможностей» . Scientific American . 284 (5): 34–43. DOI : 10.1038 / Scientificamerican0501-34 . Архивировано из оригинального 24 апреля 2013 года .
  44. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Построение экспертных систем . Эддисон-Уэсли. п. 6 . ISBN 978-0-201-10686-2.
  45. ^ а б Вонг, Бо К .; Монако, Джон А .; Монако (сентябрь 1995 г.). «Применение экспертных систем в бизнесе: обзор и анализ литературы» . Информация и менеджмент . 29 (3): 141–152. DOI : 10.1016 / 0378-7206 (95) 00023-р . Проверено 29 ноября 2013 года .
  46. ^ Кендал, SL; Крин, М. (2007). Введение в инженерию знаний . Лондон: Спрингер. ISBN 978-1-84628-475-5. OCLC  70987401 .
  47. ^ Фейгенбаум, Эдвард А .; МакКордак, Памела (1983). Пятое поколение (1-е изд.). Ридинг, Массачусетс: Эддисон-Уэсли . ISBN 978-0-201-11519-2. OCLC  9324691 .
  48. ^ Дуглас Б. Ленат (1992). «На порогах познания». В Дэвид Кирш (ред.). Основы искусственного интеллекта . MIT Press. С. 185–250.
  49. ^ Bezem М (1988). «Согласованность экспертных систем, основанных на правилах» . В Международной конференции по автоматическому отчислению . Конспект лекций по информатике. 310 : 151–161. DOI : 10.1007 / BFb0012830 . ISBN 3-540-19343-Х.
  50. ^ Мак В, Шмитта ВН и Литиненом К (1997). «Участие пользователей в обновлении знаний экспертных систем». Информация и менеджмент . 32 (2): 55–63. DOI : 10.1016 / S0378-7206 (96) 00010-9 .
  51. ^ Ф HN, Триантафилл E (2008). «Влияние переобучения и чрезмерного обобщения на точность классификации в интеллектуальном анализе данных». Мягкие вычисления для обнаружения знаний и интеллектуального анализа данных : 391–431.
  52. ^ Ф HN, Триантафилл E (2008). «Прогнозирование диабета с использованием нового подхода к интеллектуальному анализу данных, который уравновешивает подгонку и обобщение». Компьютер и Инф. Наука G : 11–26.
  53. ^ Шань Н, и Ziarko Вт (1995). «Сбор данных и постепенное изменение правил классификации». Вычислительный интеллект . 11 (2): 357–370. DOI : 10.1111 / j.1467-8640.1995.tb00038.x . S2CID 38974914 . 
  54. ^ Coats PK (1988). «Почему экспертные системы терпят неудачу». Финансовый менеджмент . 17 (3): 77–86. DOI : 10.2307 / 3666074 . JSTOR 3666074 . 
  55. ^ Хендрикс PH и Vriens DJ (1999). «Системы знаний и управление знаниями: друзья или враги?». Информация и менеджмент . 35 (2): 113–125. DOI : 10.1016 / S0378-7206 (98) 00080-9 .
  56. ^ Янасе Дж, Триантафилл Е (2019). «Семь ключевых вызовов для будущего компьютерной диагностики в медицине». Журнал медицинской информатики . 129 : 413–422. DOI : 10.1016 / j.ijmedinf.2019.06.017 . PMID 31445285 . 
  57. ^ Вулери, LK; Grzymala-Busse, J (1994). «Машинное обучение для экспертной системы прогнозирования риска преждевременных родов» . Журнал Американской ассоциации медицинской информатики . 1 (6): 439–446. DOI : 10.1136 / jamia.1994.95153433 . PMC 116227 . PMID 7850569 .  
  58. ^ a b Сальванески, Паоло; Кадей, Мауро; Лаццари, Марко (1996). «Применение ИИ для мониторинга и оценки структурной безопасности» . Эксперт IEEE . 11 (4): 24–34. DOI : 10.1109 / 64.511774 . Проверено 5 марта 2014 .
  59. ^ a b Лаццари, Марко; Сальванески, Паоло (1999). «Встраивание географической информационной системы в систему поддержки принятия решений для мониторинга опасности оползней» (PDF) . Международный журнал природных опасностей . 20 (2–3): 185–195. DOI : 10,1023 / A: 1008187024768 . S2CID 1746570 .  
  60. ^ а б Ланчини, Стефано; Лаццари, Марко; Мазера, Альберто; Сальванески, Паоло (1997). «Диагностика древних памятников с помощью экспертного программного обеспечения» (PDF) . Structural Engineering International . 7 (4): 288–291. DOI : 10.2749 / 101686697780494392 .
  61. Перейти ↑ Kwak, S .. H. (1990). «Экспертная система планирования миссий для автономного подводного аппарата». Труды Симпозиума 1990 г. по технологии автономных подводных аппаратов : 123–128. DOI : 10,1109 / AUV.1990.110446 . S2CID 60476847 . 
  62. Перейти ↑ Nelson, WR (1982). «РЕАКТОР: экспертная система диагностики и лечения ядерных реакторов». Cite journal requires |journal= (help)
  63. ^ a b Хофмайстер, Алан (1994). «SMH.PAL: экспертная система для определения лечебных процедур для студентов с тяжелыми формами инвалидности» . Исключительные дети . 61 (2). Архивировано из оригинала 3 декабря 2013 года . Проверено 30 ноября 2013 года .
  64. ^ Haddawy, P; Суэбнукарн, С. (2010). «Интеллектуальные системы клинического обучения». Методы Inf Med . 49 (4): 388–9. CiteSeerX 10.1.1.172.60 . DOI : 10,1055 / с-0038-1625342 . PMID 20686730 .  
  65. ^ Hollan, J .; Hutchins, E .; Вайцман, Л. (1984). «STEAMER: интерактивная обучающая система, основанная на симуляциях с возможностью проверки». Журнал AI .
  66. Стэнли, GM (15–17 июля 1991 г.). «Опыт использования основанных на знаниях рассуждений в управлении процессами в реальном времени» (PDF) . Пленарный доклад, представленный на симпозиуме Международной федерации автоматического управления (IFAC) по вычислительным средствам автоматизированного проектирования в системах управления . Проверено 3 декабря 2013 года .
  67. ^ Расмуссен, Артур; Мураторе, Джон Ф .; Хайндель, Трой А. (февраль 1990 г.). «Проект экспертной системы INCO: CLIPS в управлении полетами шаттла» . НТРС . Проверено 30 ноября 2013 года .

Внешние ссылки [ править ]

  • Искусственный интеллект в Curlie
  • Учебник по экспертной системе по Code Project