Экспертная система - Expert system

А Символика Lisp Machine: ранняя платформа для экспертных систем.

В искусственный интеллект, экспертная система представляет собой компьютерную систему, имитирующую способность принимать решения экспертом-человеком.[1]Экспертные системы предназначены для решения сложных задач путем рассуждение через совокупности знаний, представленные в основном как если – то правила а не через обычные процессуальный кодекс.[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 искусственный интеллект (AI) программное обеспечение.[4][5][6][7][8] Экспертная система разделена на две подсистемы: Механизм логического вывода и база 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

Ранняя разработка

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 исходных данных для получения диагностического результата.[10] [11]Эти системы часто описывались как ранние формы экспертных систем. Однако исследователи поняли, 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 последующие разработки

Эта предыдущая ситуация постепенно привела к развитию экспертных систем, в которых использовались подходы, основанные на знаниях. Эти экспертные системы в медицине были МИЦИН экспертная система,[17] экспертная система ИНТЕРНИСТ-И[18] а позже, в середине 80-х гг. КАДУЦЕЙ. [19]

Экспертные системы были официально представлены примерно в 1965 году.[20] посредством Стэнфорд Проект эвристического программирования под руководством Эдвард Фейгенбаум, которого 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 ценимой и сложной, например диагностика инфекционных заболеваний (Mycin ) и идентификация неизвестных органических молекул (Дендраль ). 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 проблем очень общего назначения (в первую очередь, совместную работу Аллен Ньюэлл и Герберт Саймон ).[22] Экспертные системы стали одними из первых действительно успешных форм искусственный интеллект (AI) программное обеспечение.[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, в первую очередь, системам, жестко запрограммированным поверх LISP среды программирования, а затем оболочки экспертных систем, разработанные такими поставщиками, как Intellicorp, во Франции исследования были сосредоточены на системах, разработанных в Пролог. Преимущество экспертных системных оболочек состояло в том, что их было несколько проще использовать непрограммистам. Преимущество сред Prolog состояло в том, что они не были ориентированы только на если-то правила; Среда Пролога обеспечивала гораздо лучшую реализацию полного логика первого порядка среда.[23][24]

В 1980-х годах экспертные системы получили распространение. Университеты предлагали курсы экспертных систем и две трети Fortune 500 компании применяют технологию в повседневной деловой деятельности.[3][25] Интерес был международным с Проект компьютерных систем пятого поколения в Японии и увеличение финансирования исследований в Европе.

В 1981 году первый IBM PC, с ПК DOS операционная система. 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 естественным образом подходили для новых оболочек на базе ПК, обещавших передать разработку приложений конечным пользователям и экспертам. До этого основной средой разработки экспертных систем была high-end. Лисп-машины из Ксерокс, Символика, и Инструменты Техаса. С появлением ПК и клиент-серверных вычислений такие поставщики, как Intellicorp и Inference Corporation, сместили свои приоритеты на разработку инструментов на базе ПК. Кроме того, новые поставщики, часто финансируемые венчурный капитал (например, Aion Corporation, Данные нейрона, Exsys и многие другие[27][28]), стали появляться регулярно.

Первой экспертной системой, которая использовалась при проектировании крупномасштабного продукта, была программа SID (Synthesis of Integral Design), разработанная в 1982 году. LISP, SID сгенерировал 93% VAX 9000 Логические вентили ЦП.[29] Входными данными для программного обеспечения был набор правил, созданный несколькими опытными разработчиками логики. SID расширил правила и сгенерировал ПО логический синтез подпрограммы 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 сделать 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, что могут делать компьютеры, часто были слишком идеалистическими. Эта ситуация коренным образом изменилась после Ричард М. Карп опубликовал свою революционную статью «Сводимость среди комбинаторных задач» в начале 1970-х годов. [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 результаты заложили основу, которая привела к следующим разработкам в этой области. [9]

В 1990-е годы и позже термин экспертная система а идея автономной системы ИИ по большей части выпала 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 перешли из автономных инструментов для разработки специального назначения. эксперт систем, чтобы быть одним из многих стандартных инструментов.[33] Многие ведущие поставщики пакетов бизнес-приложений (например, SAP, Siebel, и Oracle ) интегрировали 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 критической бизнес-логики; они часто идут рука об руку со средами автоматизации бизнес-процессов и интеграции.[34][35][36]

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), и в частности в машинное обучение и сбор данных подходы с механизмом обратной связи. 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. Связанный предмет большое количество данных здесь. Иногда такие экспертные системы называют «интеллектуальными системами». [9]

Архитектура программного обеспечения

Иллюстрирующий пример обратная цепочка из кандидатской диссертации 1990 г.[37]

Экспертная система - это пример система, основанная 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: база знаний и Механизм логического 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 который 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 соответственно изменены. 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 для того, чтобы утверждать, что Сократ смертелен, а для того, чтобы утверждать, что Сократ смертелен. май 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.
  • Онтология классификация. 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 классификаторы. Хотя классификаторы не получили широкого распространения в экспертных системах, они очень эффективны для неструктурированных изменчивых доменов и являются ключевой технологией для Интернета и развивающихся стран. Семантическая сеть.[42][43]

Преимущества

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 представление знаний были быстрым развитием и простотой 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 стало причиной второго преимущества: быстрое прототипирование. 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. В действительности это было редко, если вообще когда-либо 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 переходили от прототипов в лабораторных условиях к развертыванию в деловом мире, вопросы интеграции и обслуживания становились все более важными. Неизбежно возникла потребность в интеграции с большими унаследованными базами данных и системами и их использовании. Чтобы добиться этого, интеграция требовала тех же навыков, что и любой другой тип системы.[45]

Недостатки

Наиболее частым недостатком экспертных систем в научной 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 при рассмотрении жизненного цикла реально используемых экспертных систем другие проблемы - по сути те же проблемы, что и проблемы любой другой большой системы - кажутся не менее важными, чем 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 наиболее быстро 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 Лисп-машины и персональные компьютеры. В результате на более поздних этапах разработки инструментария экспертных систем много усилий было сосредоточено на интеграции с унаследованными средами, такими как КОБОЛ и большие системы баз данных, и при переносе на более стандартные платформы. Эти проблемы были решены в основном за счет смены парадигмы клиент-сервер, поскольку ПК постепенно принимались в ИТ-среде как легитимная платформа для серьезной разработки бизнес-систем и как доступные миникомпьютер серверы обеспечивали 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 уметь 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 выполнимость (SAT) формулировка. [49] Это хорошо известная NP-полная задача. Проблема логической 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 переоснащение и чрезмерное обобщение эффекты 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 то, как добавить новое знание (то есть, где добавить его среди множества правил). Современные подходы, основанные на методах машинного обучения, в этом отношении проще.[нужна 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

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.

КатегорияПроблема решенаПримеры
ИнтерпретацияВывод описания ситуаций из данных датчикаHearsay (распознавание речи), ПРОСПЕКТОР
ПрогнозВыявление вероятных последствий данной ситуацииОценка риска преждевременных родов[57]
ДиагностикаВывод сбоев системы из наблюдаемыхКАДУЦЕЙ, МИЦИН, PUFF, Мистраль,[58] Эйденет,[59] Калейдос[60]
ДизайнНастройка объектов при ограниченияхДендраль, Советник по ипотечным кредитам, R1 (Конфигурация DEC VAX), SID (DEC VAX 9000 ЦПУ )
ПланированиеРазработка действийПланирование миссии для автономного подводного аппарата[61]
МониторингСравнение наблюдений для планирования уязвимостейРЕАКТОР[62]
ОтладкаПредоставление дополнительных решений сложных проблемСВЯТОЙ, МАТЛАБ, МАКСИМА
РемонтВыполнение плана по назначению назначенного лекарстваУправление кризисными ситуациями при разливе токсичных веществ
ИнструкцияДиагностика, оценка и исправление поведения учащихсяSMH.PAL, г.[63] Интеллектуальная клиническая подготовка,[64] ПАРОВОЙ[65]
КонтрольИнтерпретация, прогнозирование, восстановление и мониторинг поведения системыУправление процессами в реальном времени,[66] Управление полетами космического челнока[67]

Слухи были ранней попыткой решить распознавание голоса через экспертно-системный подход. 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. Подобные системы оказались гораздо более подверженными нейронная сеть Решение AI, чем подход, основанный на правилах.

КАДУЦЕЙ и МИЦИН были системы 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 набора ограничений - была одной из наиболее успешных областей для ранних экспертных систем, применяемых в бизнес-областях, таких как настройка продавцов. Корпорация цифрового оборудования (DEC) VAX компьютеры и разработка заявок на ипотеку.

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

Мистраль [58] - 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 первый экземпляр, установленный в 1992 году на Ридраколи Дамба (Италия) по-прежнему работает 24/7/365. 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.

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. Получено 2013-09-15.
  3. ^ а б Леондес, Корнелиус Т. (2002). Экспертные системы: технология управления знаниями и принятия решений для 21 века. С. 1–22. ISBN  978-0-12-443880-4.
  4. ^ а б Рассел, Стюарт; Норвиг, Питер (1995). Искусственный интеллект: современный подход (PDF). Саймон и Шустер. С. 22–23. ISBN  978-0-13-103805-9. Архивировано из оригинал (PDF) 5 мая 2014 г.. Получено 14 июн 2014.
  5. ^ а б Люгер и Стаблфилд 2004 С. 227–331.
  6. ^ а б Нильссон 1998, гл. 17.4.
  7. ^ а б МакКордак 2004, стр. 327–335, 434–435.
  8. ^ а б Crevier 1993 С. 145–62, 197–203.
  9. ^ а б c d Янасэ Дж., Триантафиллу Э. (2019). «Систематический обзор компьютерной диагностики в медицине: прошлое и настоящее». Экспертные системы с приложениями. 138: 112821. Дои:10.1016 / j.eswa.2019.112821.
  10. ^ Ледли Р.С. и Вожделенный Л. Б. (1959). «Обоснование медицинской диагностики». Наука. 130 (3366): 9–21. Bibcode:1959 г., Наука ... 130 .... 9Л. Дои:10.1126 / science.130.3366.9. PMID  13668531.
  11. ^ Вайс С. М., Куликовский К. А., Амарел С., Сафир А. (1978). «Метод на основе моделей для автоматизированного принятия медицинских решений». Искусственный интеллект. 11 (1–2): 145–172. Дои:10.1016/0004-3702(78)90015-2.
  12. ^ Шварц В.Б. (1970). «Медицина и компьютер: перспективы и проблемы перемен». Медицинский журнал Новой Англии. 283 (23): 1257–1264. Дои:10.1056 / NEJM197012032832305. PMID  4920342.
  13. ^ Bleich HL (1972). «Компьютерная консультация: Электролитные и кислотно-щелочные нарушения». Американский журнал медицины. 53 (3): 285–291. Дои:10.1016/0002-9343(72)90170-2. PMID  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». Архивы внутренней медицины. 135 (8): 1017–1024. Дои:10.1001 / archinte.1975.00330080019003. PMID  1156062.
  15. ^ Горри Г.А., Кассирер Дж. П., Эссиг А. и Шварц В. Б. (1973). «Анализ решений как основа компьютерного управления острой почечной недостаточностью». Американский журнал медицины. 55 (4): 473–484. Дои:10.1016/0002-9343(73)90204-0. PMID  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.
  17. ^ Shortliffe EH и Бьюкенен BG (1975). «Модель неточного мышления в медицине». Математические биологические науки. 23 (3–4): 351–379. Дои:10.1016/0025-5564(75)90047-4.
  18. ^ Миллер Р.А., Попл-младший HE и Майерс Дж.Д. (1982). «Internist-I, консультант по экспериментальной компьютерной диагностике общей внутренней медицины». Медицинский журнал Новой Англии. 307 (8): 468–476. Дои:10.1056 / NEJM198208193070803. PMID  7048091.
  19. ^ Фейгенбаум, Эдвард; МакКордак, Памела (1984). Пятое поколение. Эддисон-Уэсли. С. 1–275. ISBN  978-0451152640.
  20. ^ kenyon.edu: Временная шкала AI, получено 27 октября 2018 г.
  21. ^ Эдвард Фейгенбаум, 1977. Перефразировано Hayes-Roth, et al.
  22. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание экспертных систем. Эддисон-Уэсли. стр.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. ^ А. Михилс, 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. стр.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. Получено 29 ноябрь 2013.
  28. ^ Данн, Роберт Дж. (30 сентября 1985 г.). «Расширяемый опыт для повседневных пользователей». InfoWorld. 7 (39): 30. Получено 2011-03-13.
  29. ^ Карл С. Гибсон и др., VAX 9000 SERIES, Digital Technical Journal of Digital Equipment Corporation, Volume 2, Number 4, Fall 1990, pp118-129.
  30. ^ Ричард М. Карп (1972). «Сводимость среди комбинаторных проблем» (PDF). У Р. Э. Миллера; Дж. У. Тэтчер (ред.). Сложность компьютерных вычислений. Нью-Йорк: Пленум. С. 85–103.
  31. ^ «Информационный бюллетень AI Expert: W - зима». Архивировано из оригинал на 2013-11-09. Получено 2013-11-29.
  32. ^ Лейт П., «Взлет и падение юридической экспертной системы», в European Journal of Law and Technology, Vol 1, Issue 1, 2010
  33. ^ Хаскин, Дэвид (16 января 2003 г.). «Спустя годы после ажиотажа,« Экспертные системы »окупаются». Датамация. Получено 29 ноябрь 2013.
  34. ^ Служба новостей SAP. «Служба новостей SAP IntelliCorp объявляет об участии в SAP EcoHub». laszlo.sys-con.com. LaszloTrack. Получено 29 ноябрь 2013.
  35. ^ Pegasystems. «Умный BPM требует умных бизнес-правил». pega.com. Получено 29 ноябрь 2013.
  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. Дои:10.1109 / fitme.2010.5656297. ISBN  978-1-4244-9087-5.
  37. ^ Дэвид К. Ингланд (июнь 1990 г.). Экспертная система по обращению с опасными материалами в морском центре снабжения (PDF) (Дипломная работа). 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. Получено 9 ноября 2013.
  39. ^ а б Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание экспертных систем. Эддисон-Уэсли. ISBN  978-0-201-10686-2.
  40. ^ Набиль Арман, Политехнический университет Палестины, январь 2007 г., Обнаружение ошибок в динамических базах 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 оригинал на 2013-11-10. Получено 2013-11-29.
  42. ^ МакГрегор, Роберт (июнь 1991). «Использование классификатора описания для улучшения представления знаний». Эксперт IEEE. 6 (3): 41–46. Дои: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. Дои:10.1038 / scientificamerican0501-34. Архивировано из оригинал 24 апреля 2013 г.
  44. ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Создание 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 управление. 29 (3): 141–152. Дои:10.1016 / 0378-7206 (95) 00023-п. Получено 29 ноябрь 2013.
  46. ^ Kendal, S.L .; Крин, М. (2007). Введение в инженерию знаний. Лондон: Спрингер. ISBN  978-1-84628-475-5. OCLC  70987401.
  47. ^ Файгенбаум, 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. ^ Безем М (1988). «Согласованность экспертных систем, основанных на правилах». На международной конференции по автоматическому вычету. Конспект лекций по информатике. 310: 151–161. Дои:10.1007 / BFb0012830. ISBN  3-540-19343-Х.
  50. ^ 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.
  51. ^ Pham HN, Triantaphyllou 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. ^ Pham HN, Triantaphyllou 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. ^ Шан Н. и Зярко В. (1995). «Сбор данных и постепенное изменение правил классификации». Вычислительный интеллект. 11 (2): 357–370. Дои:10.1111 / j.1467-8640.1995.tb00038.x. S2CID  38974914.
  54. ^ Пальто ПК (1988). «Почему экспертные системы терпят неудачу». Финансовый менеджмент. 17 (3): 77–86. Дои:10.2307/3666074. JSTOR  3666074.
  55. ^ Хендрикс PH и Вриенс DJ (1999). «Системы знаний и управление знаниями: друзья или враги?». Информация и управление. 35 (2): 113–125. Дои:10.1016 / S0378-7206 (98) 00080-9.
  56. ^ Янасэ Дж., Триантафиллу Э. (2019). «Семь ключевых вызовов для будущего компьютерной диагностики в медицине». Журнал медицинской информатики. 129: 413–422. Дои:10.1016 / j.ijmedinf.2019.06.017. PMID  31445285.
  57. ^ Woolery, L.K .; Grzymala-Busse, J (1994). «Машинное обучение для экспертной системы прогнозирования риска преждевременных родов». Журнал Американской ассоциации медицинской информатики. 1 (6): 439–446. Дои:10.1136 / jamia.1994.95153433. ЧВК  116227. PMID  7850569.
  58. ^ а б 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. Получено 5 марта 2014.
  59. ^ а б Лаццари, Марко; Сальванески, Паоло (1999). «Встраивание географической информационной системы в систему поддержки принятия решений по мониторингу опасности оползней» (PDF). Международный журнал природных опасностей. 20 (2–3): 185–195. Дои:10.1023 / А: 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. Дои:10.2749/101686697780494392.
  61. ^ Квак, С. Х. (1990). «Экспертная система планирования миссий для автономного подводного аппарата». Материалы Симпозиума 1990 г. по технологии автономных подводных аппаратов: 123–128. Дои:10.1109 / AUV.1990.110446. S2CID  60476847.
  62. ^ Нельсон, В. Р. (1982). «РЕАКТОР: экспертная система диагностики и лечения ядерных реакторов». Цитировать журнал требует | журнал = (помощь)
  63. ^ а б Хофмайстер, Алан (1994). «SMH.PAL: экспертная система для определения лечебных процедур для студентов с тяжелыми формами инвалидности». Исключительные дети. 61 (2). Архивировано из оригинал 3 декабря 2013 г.. Получено 30 ноября 2013.
  64. ^ Haddawy, P; Суэбнукарн, С. (2010). «Интеллектуальные системы клинического обучения». Методы Inf Med. 49 (4): 388–9. CiteSeerX  10.1.1.172.60. Дои:10.1055 / с-0038-1625342. PMID  20686730.
  65. ^ Hollan, J .; Hutchins, E .; Вайцман, Л. (1984). «STEAMER: интерактивная обучающая система, основанная на симуляциях». Журнал AI.
  66. ^ Стэнли, Г. (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. Получено 3 декабря 2013.
  67. ^ Расмуссен, Артур; Мураторе, Джон Ф .; Хайндель, Трой А. (февраль 1990 г.). «Проект экспертной системы INCO: CLIPS в управлении полетом шаттла». НТРС. Получено 30 ноября 2013.

внешняя ссылка