EuroEkonóm.sk
Expertní systémy patřily mezi významné přístupy v umělé inteligenci zejména v době před nástupem moderního hlubokého učení. Místo toho, aby se učily z rozsáhlých datových souborů, pracovaly s pravidly a znalostmi, které do nich vložili odborníci. Díky tomu dokázaly řešit úzce vymezené úlohy v oblastech, jako byla medicína, technická diagnostika nebo finance.
Jak expertní systémy fungují
Základem expertního systému byla znalostní báze obsahující fakta, odborné poznatky a pravidla. Ta často měla podobu podmínek typu „pokud–pak“: jestliže jsou splněny určité podmínky, systém provede konkrétní závěr nebo doporučí další krok.
S pravidly pracoval inferenční mechanismus, který vyhodnocoval zadané informace a hledal mezi nimi souvislosti. Uživatel do systému obvykle zadal údaje o konkrétním případu a systém na jejich základě navrhl diagnózu, řešení nebo doporučení. Některé systémy dokázaly také vysvětlit, které informace a pravidla k výsledku vedly.
Kde se expertní systémy používaly
Jednou z nejznámějších oblastí jejich využití byla medicína. Expertní systém mohl lékaři pomáhat při posuzování příznaků a zvažování možných diagnóz. V průmyslu se podobné nástroje uplatňovaly při hledání příčin poruch zařízení a při podpoře údržby. Ve finančnictví mohly pomáhat například s hodnocením žádostí nebo s analýzou rizik.
Jejich přínos spočíval v tom, že zpřístupňovaly odborné znalosti ve strukturované podobě. Uživatel tak mohl získat podporu i v situaci, kdy nebyl snadno dostupný specialista. Expertní systém však zpravidla nenahrazoval odborníka: poskytoval doporučení, která bylo třeba posoudit v kontextu konkrétního případu.
Výhody a omezení pravidlového přístupu
Pravidla byla pro vývojáře i uživatele poměrně srozumitelná. Pokud systém dospěl k určitému výsledku, bylo možné sledovat postup jeho uvažování a ověřit, která pravidla použil. To bylo důležité především v oborech, kde bylo třeba rozhodnutí zdůvodnit.
Expertní systémy však měly také výrazná omezení. Znalosti bylo nutné získávat od odborníků, převádět je do formálních pravidel a průběžně aktualizovat. Tento proces mohl být časově náročný a nákladný. Systém navíc obvykle zvládal jen oblast, pro kterou byl navržen: mimo své vymezení si nedokázal poradit tak pružně jako člověk.
Problémem byla také údržba rozsáhlých souborů pravidel. S rostoucím počtem pravidel mohly vznikat rozpory nebo nepředvídané kombinace, které komplikovaly správu systému. Expertní systém se navíc sám automaticky neučil z nových případů, pokud jeho tvůrci znalostní bázi výslovně neupravili.
Expertní systémy a současná umělá inteligence
Nástup strojového učení a hlubokých neuronových sítí změnil způsob, jakým se umělá inteligence vyvíjí. Moderní modely dokážou hledat vzorce v datech a zlepšovat své výstupy na základě příkladů, zatímco tradiční expertní systémy vycházejí především z předem zadaných znalostí a pravidel.
Tyto přístupy se však navzájem nevylučují. Pravidlové systémy mohou být užitečné tam, kde je důležitá kontrolovatelnost, srozumitelné zdůvodnění nebo dodržování přesně stanovených postupů. V některých současných řešeních se proto pravidla kombinují s metodami strojového učení. Expertní systémy tak zůstávají důležitou součástí vývoje umělé inteligence a připomínají, že inteligentní rozhodování nemusí vždy vycházet pouze z dat.
