Hur man implementerar expertsystem inom artificiell intelligens?

Expert System In är term som gör rundor i teknikvärlden och av goda skäl. I den här artikeln kommer vi att utforska detta ämne i detalj.

Följande tips kommer att behandlas i den här artikeln,

• Vad är artificiell intelligens?
• Expertsystem för artificiell intelligens
• Domäner där expertsystem används
• Huvudsakliga användningsområden
• Tre steg i utformningen av ES
• Fördelar Nackdelar och begränsningar

Så låt oss komma igång med den här artikeln,

sätt att skapa singleton-klass i java

Vad är artificiell intelligens?

Normalt föreslår namnet artificiell intelligens intelligens för en maskin som är konstgjord. Människans intelligens är känd som mänsklig intelligens, liksom på samma sätt den intelligens som demonstreras av en maskin kallas artificiell intelligens. Inom datavetenskap. Artificiell intelligens (AI), ibland kallad maskinintelligens. Forskningsområdet Artificiell intelligens föddes vid en workshop vid Dartmouth College 1956.

Tillämpningar av artificiell intelligens i verkliga världen:

Chatbots som SIRI, CORTANA som har vunnit så mycket popularitet nuförtiden. Andra exempel som EVA (Electronic Virtual Assistant), en AI-baserad chatbot utvecklad av HDFC-bankers AI-forskningsavdelning som kan samla kunskap från tusentals källor och ge enkla svar på mindre än 0,4 sekunder. Det finns så många exempel på AI-applikationer som du hittar inom olika samhällsfält.

Fortsätter med detta expertsystem inom artificiell intelligens,

Expertsystem för artificiell intelligens

Vad är ett expertsystem?

Forskare vid Standford University, Institutionen för datavetenskap har introducerat denna AI-domän och det är en framstående forskningsdomän för AI. Det är en datorapplikation som kan lösa de mest komplexa problemen inom en specifik domän. Det anses på högsta nivå av mänsklig intelligens och expertis eftersom det bygger på kunskap som erhållits från en expert. Expert System kan också definieras som datorbaserat beslutssystem som kan lösa komplexa beslutsproblem med både fakta och heuristik.

Fortsätter med detta expertsystem inom artificiell intelligens,

Domäner där expertsystem används

Expert Systems idag

American Medical Association har godkänt det första expertsystemet som var Pathfinder-systemet. Det byggdes Standford University 1980 för diagnos av hematopatologi. Detta beslutsteoretiska expertsystem i korthet Pathfinder kan diagnostisera lymfkörtelsjukdomar. I slutändan behandlar den över 60 sjukdomar och kan känna igen över 100 symtom.

Expert system i affärer

Nyligen utvecklat ett expertsystem ROSS, AI-advokaten, ROSS är ett självlärande system som använder datautvinning, mönsterigenkänning, djupinlärning och naturlig språkbehandling för att efterlikna hur den mänskliga hjärnan fungerar.

Fortsätter med detta expertsystem inom artificiell intelligens,

Huvudsakliga användningsområden

• Tolkning - dra slutsatser på hög nivå baserat på data.
• Förutsägelse - projicera sannolika resultat.
• Diagnos - bestämma orsaken till funktionsstörningar, sjukdomar etc.
• Design -varanding bästa konfiguration baserat på kriterier.
• Planering - föreslår en serie åtgärder för att uppnå ett mål.
• Övervakning - jämföra observerat beteende med förväntat beteende.
• Felsökning och reparation - förskrivning och genomförande av åtgärder.
• Instruktion - hjälpa studenter att lära sig.
• Kontroll - styr ett systems beteende.

Syftet med expertsystemet

Huvudsyftet med ett expertsystem är att skaffa kunskap om mänskliga experter och att replikera den kunskapen och färdigheterna hos mänsklig expert inom ett visst område. Då kommer systemet att använda den kunskapen och färdigheterna för att lösa komplexa problem inom just det området utan mänskliga experters deltagande.

Egenskaper hos expertsystem

• Hög prestanda
• Begriplig
• Pålitlig
• Mycket lyhörd

Huvudkomponenter i ett regelbaserat eller ett expertsystem

Huvudkomponenterna är:

• Kunskapsbas
• Fungerande minne
• Inferensmotor
• Förklaringssystem
• Användargränssnitt
• Kunskapsbasredigerare

Fortsätter med detta expertsystem inom artificiell intelligens,

Tre steg i utformningen av ES

Kunskapsförvärv:

Processen med att få kunskap från experter genom intervjuer eller genom att observera mänskliga experter, läsa specifika böcker etc.

Kunskapsbas:

Kunskapsbasen är en behållare av högkvalitativ kunskap. Färdigheter utvecklas genom övning och intelligens kommer från kunskap utan kunskap man inte kan bevisa eller man kan inte visa sin intelligens, så kunskap är mycket viktigt för att utveckla skicklighet och för att visa intelligens. På samma sätt krävs kunskap för att maskinen också ska kunna visa sin intelligens. Prognosens noggrannhet och dess prestanda är i hög grad beroende av insamlingen av perfekt, exakt och exakt kunskap.

Vad är nu kunskap?

Kunskap är data eller information. För oss människor genom att läsa artiklar och läsa böcker eller från olika resurser brukade vi samla kunskap om vi kan se processen att få och berika kunskap minutiöst kommer vi att upptäcka att genom att läsa böcker eller genom att läsa artiklar eller från andra resurser vi är hämtar och extraherar data och information från olika källor som vi sedan lagrade i vår hjärna. Så kunskap är data, kunskap är information. Kunskap är också insamling av fakta.

Data, information och tidigare erfarenheter kombinerade betecknas som kunskap.

Kunskapsrepresentation:

Kunskapsrepresentation är metoden för att välja de mest lämpliga strukturerna för att representera kunskapen. Det är metoden för att organisera och formalisera kunskap i kunskapsbasen. Det görs i form av IF-THEN-ELSE-regler.

androidstudiohandledning för nybörjare

Kunskapsvalidering:

Att testa kunskapen om ES är korrekt och komplett.Hela processen kallas kunskapsteknik.

Inferensmotor:

Vid kunskapsbaserad ES förvärvar och manipulerar Inference Engine kunskapen från kunskapsbasen för att komma fram till en viss lösning.

Vid regelbaserad ES,

• Den tillämpar regler upprepade gånger på fakta, som erhålls från tidigare tillämpning av regeln.
• Det lägger till ny kunskap i kunskapsbasen om det behövs.
• Det löser konflikter när flera regler är tillämpliga på ett visst fall.

Inference Engine använder följande strategier och minus

• Framåtkedjning
• Bakåtkedjning

Framåtkedjning

Vid framåtkedjning ger slutmotorn resultatet genom att följa kedjan av villkor och härledningar. Oavsett vilken kunskap som matas in i systemet går den igenom alla dessa kunskaper och fakta och sorterar dem innan den slutar en lösning. Med framåtkedjningsmetoden försöker expertsystemet att svara: 'Vad kan hända nästa?'

konvertering av c ++ typ

Tillämpning av terminkedjning: förutsägelse av huspris, aktieförutsägelse, förutsägelse av aktiemarknaden etc.

Bakåtkedjning

När något har hänt inom en viss domän försöker Inferensmotorn ta reda på vilket tillstånd som kunde ha hänt tidigare för detta resultat. Med bakåtkedjande metod försöker expertsystemet att svara, 'Varför hände det?'. Genom bakåtkedjningsmetoden försöker slutmotorn ta reda på orsak eller orsak.

Till exempel: diagnos av blodcancer hos människor.

Fördelar Nackdelar och begränsningar

Fördelar med Expert System

1. Håll enorma mängder information
2. Minimera anställdas utbildningskostnader
3. Centralisera beslutsprocessen
4. Gör saker effektivare genom att minska tiden som krävs för att lösa problem
5. Kombinera olika mänskliga expertintelligenser
6. Minska antalet mänskliga fel
7. Ge strategiska och komparativa fördelar som kan skapa problem för konkurrenter
8. Titta över transaktioner som mänskliga experter kanske inte tänker på
9. Ge svar på beslut, processer och uppgifter som är repetitiva

Nackdelar med expertsystem:

1. Brist på kreativa svar som mänskliga experter kan
2. Kan inte förklara logiken och resonemanget bakom ett beslut
3. Det är inte lätt att automatisera komplexa processer
4. Det finns ingen flexibilitet och förmåga att anpassa sig till förändrade miljöer
5. Kan inte känna igen när det inte finns något svar
6. Ingen sunt förnuft används för att fatta beslut

Begränsningar:

• Det misslyckas med att ge kreativa svar eftersom det är en maskin.
• Om informationen som matades in i kunskapsbasen inte är korrekt eller korrekt kommer det att ge fel förutsägelser och fel resultat.
• Underhållskostnaden för expertsystemet är hög.
• När olika problem kommer kan mänsklig expert ge olika lösningar och kreativa svar men expertsystem misslyckas med att ge kreativa svar.

Detta leder oss till slutet av den här artikeln om expertsystem inom artificiell intelligens.

Om du vill anmäla dig till en fullständig kurs om artificiell intelligens och maskininlärning har Edureka en speciell kurator som kommer att göra dig skicklig i tekniker som Supervised Learning, Oövervakat lärande och Natural Language Processing. Det inkluderar utbildning om de senaste framstegen och tekniska tillvägagångssätten inom artificiell intelligens och maskininlärning som djupinlärning, grafiska modeller och förstärkningslärande.