SYSTÈMES EXPERTS: HISTOIRE, CARACTÉRISTIQUES, AVANTAGES, INCONVÉNIENTS - LA TECHNOLOGIE - 2024

Les systèmes experts sont définis comme des systèmes qui émulent la capacité de prise de décision d'un expert humain dans un domaine particulier. Ils utilisent à la fois des stratégies heuristiques et des faits pour résoudre des problèmes de prise de décision complexes de manière fiable et interactive.

Ils sont conçus pour résoudre des problèmes très complexes, en raisonnant à travers des bases de connaissances. Plutôt que d'être représentés par un code de procédure, ils sont essentiellement représentés par des règles If-Then.

Source: pixabay.com

Ils sont capables de s'exprimer et de raisonner sur certains domaines de connaissances, ce qui leur permet de résoudre de nombreux problèmes qui nécessiteraient généralement un expert humain. Les systèmes experts étaient les prédécesseurs des systèmes actuels d'intelligence artificielle, d'apprentissage en profondeur et d'apprentissage automatique.

Un système expert ne peut pas se substituer à la performance globale d'un travailleur en matière de dépannage. Cependant, ils peuvent réduire considérablement la quantité de travail que l'individu doit faire pour résoudre un problème, laissant aux gens les aspects créatifs et innovants de la résolution de problèmes.

Ils ont joué un rôle important dans de nombreux secteurs, tels que les services financiers, les télécommunications, la santé, le service client, les jeux vidéo et la fabrication.

Capacité du système

Un système expert incorpore deux sous-systèmes: une base de connaissances, qui contient des faits et expériences accumulés, et un moteur d'inférence, qui est un ensemble de règles à appliquer à la base de connaissances ou aux faits connus dans chaque situation particulière, afin d'en déduire de nouveaux. actes.

Les capacités du système peuvent être améliorées avec des ajouts à la base de connaissances ou à l'ensemble de règles.

Par exemple, les systèmes experts d'aujourd'hui peuvent également avoir la capacité d'apprendre automatiquement, ce qui leur permet d'améliorer leurs performances en fonction de l'expérience, tout comme les humains.

En outre, les systèmes modernes peuvent intégrer plus facilement de nouvelles connaissances et ainsi être facilement mis à jour. Ces systèmes peuvent mieux généraliser à partir des connaissances existantes et traiter de grandes quantités de données complexes.

L'histoire

- Développements initiaux

À la fin des années 1950, l'expérimentation a commencé avec la possibilité d'utiliser la technologie informatique pour imiter la prise de décision humaine. Par exemple, des systèmes assistés par ordinateur ont commencé à être créés pour des applications de diagnostic en médecine.

Ces systèmes de diagnostic initiaux entraient les symptômes du patient et les résultats des tests de laboratoire dans le système pour générer un diagnostic en conséquence. Ce sont les premières formes de systèmes experts.

- Principaux développements

Au début des années 60, des programmes ont été développés pour résoudre des problèmes bien définis. Par exemple, des jeux ou des traductions automatiques.

Ces programmes nécessitaient des techniques de raisonnement intelligentes pour gérer les problèmes logiques et mathématiques qui étaient présentés, mais ils ne nécessitaient pas beaucoup de connaissances supplémentaires.

Les chercheurs ont commencé à se rendre compte que pour résoudre de nombreux problèmes intéressants, les programmes devaient non seulement être capables d'interpréter les problèmes, mais également avoir besoin de connaissances de base pour les comprendre pleinement.

Cela a progressivement conduit au développement de systèmes experts, plus axés sur la connaissance.

Le concept de systèmes experts a été formellement développé en 1965 par Edward Feigenbaum, professeur à l'Université de Stanford, aux États-Unis.

Feigenbaum a expliqué que le monde passait du traitement des données au traitement des connaissances, grâce à la nouvelle technologie de processeur et aux architectures informatiques.

Dendral

À la fin des années 1960, l'un des premiers systèmes experts, appelé Dendral, a été développé pour l'analyse de composés chimiques.

Les connaissances de Dendral consistaient en des centaines de règles décrivant les interactions des composés chimiques. Ces règles sont le fruit d'années de collaboration entre chimistes et informaticiens.

- Maturité

Les systèmes experts ont commencé à proliférer dans les années 80. De nombreuses entreprises du Fortune 500 ont appliqué cette technologie dans leurs activités commerciales quotidiennes.

Dans les années 90, de nombreux fournisseurs d'applications métier, tels qu'Oracle et SAP, ont intégré les capacités des systèmes experts dans leur suite de produits, afin d'expliquer la logique métier.

caractéristiques

- Niveau d'expérience

Un système expert doit offrir le plus haut niveau d'expertise. Fournit efficacité, précision et résolution de problèmes imaginative.

- Réaction à temps

L'utilisateur interagit avec le système expert pendant une période de temps assez raisonnable. Le temps de cette interaction doit être inférieur au temps nécessaire à un expert pour obtenir la solution la plus précise pour le même problème.

- Fiabilité

Le système expert doit avoir une bonne fiabilité. Pour ce faire, vous ne devez faire aucune erreur.

- Mécanisme efficace

Le système expert doit disposer d'un mécanisme efficace pour gérer le recueil de connaissances existant en lui.

- Gérer les problèmes

Un système expert doit être capable de gérer des problèmes complexes et de prendre les bonnes décisions pour apporter des solutions.

- Composants

Base de connaissances

Il s'agit d'une collection organisée de données correspondant à l'étendue de l'expérience du système.

À travers des entretiens et des observations avec des experts humains, les faits qui constituent la base de connaissances doivent être pris en compte.

Moteur d'inférence

Interpréter et évaluer les faits de la base de connaissances au moyen de règles, afin de fournir une recommandation ou une conclusion.

Cette connaissance est représentée sous la forme de règles de production If-Then: "Si une condition est vraie, alors la déduction suivante peut être faite."

Conclusions

Souvent, un facteur de probabilité est attaché à la conclusion de chaque règle de production et à la recommandation finale, car la conclusion atteinte n'est pas une certitude absolue.

Par exemple, un système expert pour le diagnostic des maladies oculaires pourrait indiquer, sur la base des informations fournies, qu'une personne a un glaucome avec une probabilité de 90%.

En outre, la séquence de règles par laquelle la conclusion a été atteinte peut être affichée. Le suivi de cette chaîne permet d'évaluer la crédibilité de la recommandation et est utile comme outil d'apprentissage.

Les types

Basé sur des règles

Dans ce système, la connaissance est représentée comme un ensemble de règles. La règle est une manière directe et flexible d'exprimer des connaissances.

La règle se compose de deux parties: la partie «Si», appelée condition, et la partie «Alors», appelée déduction. La syntaxe de base d'une règle est: If (condition) Then (déduction).

Basé sur une logique floue

Lorsque vous voulez exprimer des connaissances en utilisant des mots vagues comme «très peu», «moyennement difficile», «pas si vieux», la logique floue peut être utilisée.

Cette logique est utilisée pour décrire une définition imprécise. Il est basé sur l'idée que tout est décrit sur une échelle mobile.

La logique classique fonctionne avec deux valeurs de certitude: True (1) et False (0). En logique floue, toutes les valeurs de certitude sont exprimées sous forme de nombres réels compris entre 0 et 1.

La logique floue représente la connaissance basée sur un degré de véracité, plutôt que sur la véracité absolue de la logique classique.

Neuronal

Les avantages du système expert basé sur des règles combinent également les avantages du réseau neuronal, tels que l'apprentissage, la généralisation, la robustesse et le traitement parallèle de l'information.

Ce système a une base de connaissances neuronales, plutôt que la base de connaissances traditionnelle. Les connaissances sont stockées sous forme de poids dans les neurones.

Cette combinaison permet au système expert neuronal de justifier ses conclusions.

Neuronal-diffus

La logique floue et les réseaux de neurones sont des outils complémentaires pour la construction de systèmes experts.

Les systèmes flous n'ont pas la capacité d'apprendre et ne peuvent pas s'adapter à un nouvel environnement. D'un autre côté, bien que les réseaux de neurones puissent apprendre, leur processus est très compliqué pour l'utilisateur.

Les systèmes neuronaux flous peuvent combiner les capacités de calcul et d'apprentissage du réseau neuronal avec la représentation des connaissances humaines et les compétences d'explication des systèmes flous.

En conséquence, les réseaux de neurones deviennent plus transparents, tandis que le système flou devient capable d'apprendre.

avantage

Disponibilité

Les systèmes experts sont facilement disponibles, n'importe où, n'importe quand, grâce à la production de masse du logiciel.

Risque réduit

Une entreprise peut exploiter un système expert dans des environnements dangereux pour l'homme. Ils peuvent être utilisés dans tout environnement dangereux où les humains ne peuvent pas travailler.

Connaissance des affaires

Ils peuvent devenir un vecteur de développement des connaissances organisationnelles, contrairement aux connaissances des individus dans une entreprise.

Explication de la réponse

Ils sont capables de donner une explication adéquate de leur prise de décision, en exprimant en détail le raisonnement qui a conduit à une réponse.

Lorsqu'ils sont utilisés comme outils de formation, ils se traduisent par une courbe d'apprentissage plus rapide pour les débutants.

Réponse rapide

Aide à obtenir des réponses rapides et précises. Un système expert peut accomplir sa part de tâches beaucoup plus rapidement qu'un expert humain.

Faible taux d'erreur

Le taux d'erreur des systèmes experts performants est assez faible, parfois bien inférieur au taux d'erreur humaine pour la même tâche.

Réponse sans émotion

Les systèmes experts fonctionnent sans s'exciter. Ils ne sont pas tendus, fatigués ou paniqués, et ils travaillent régulièrement dans les situations d'urgence.

Permanence des connaissances

Le système expert maintient un niveau d'information important. Cette connaissance contenue durera indéfiniment.

Prototypage rapide

Avec un système expert, il est possible de saisir certaines règles et de développer un prototype en quelques jours plutôt qu'en mois ou en années généralement associés à des projets informatiques complexes.

Expériences multiples

Le système expert peut être conçu pour contenir les connaissances de nombreux experts qualifiés et avoir ainsi la capacité de résoudre des problèmes complexes.

Cela réduit les frais de consultation de consultants experts en résolution de problèmes. Ils permettent d’obtenir des sources de connaissances difficiles à obtenir.

Désavantages

Acquisition de connaissances

Il est toujours difficile d'obtenir le temps d'experts dans des domaines particuliers pour toute application logicielle, mais pour les systèmes experts, c'est particulièrement difficile, car les experts sont très appréciés et constamment sollicités par les organisations.

En conséquence, un grand nombre de recherches ces dernières années se sont concentrées sur les outils d'acquisition de connaissances, qui permettent d'automatiser le processus de conception, de débogage et de maintien des règles définies par les experts.

Systeme d'intégration

L'intégration des systèmes avec les bases de données a été difficile pour les premiers systèmes experts, car les outils étaient principalement dans des langages et des plates-formes inconnus dans les environnements d'entreprise.

En conséquence, un grand effort a été fait pour intégrer les outils de systèmes experts aux environnements hérités, en effectuant le transfert vers des plates-formes plus standard.

Ces problèmes ont été principalement résolus par le changement de paradigme, les PC étant progressivement acceptés dans l'environnement informatique comme une plate-forme légitime pour le développement de systèmes commerciaux sérieux.

Complexité de traitement

L'augmentation de la taille de la base de connaissances augmente la complexité du traitement.

Par exemple, si un système expert a 100 millions de règles, il est évident qu'il serait trop complexe et qu'il ferait face à de nombreux problèmes de calcul.

Un moteur d'inférence devrait être capable de traiter un grand nombre de règles pour prendre une décision.

Lorsqu'il y a trop de règles, il est également difficile de vérifier que ces règles de décision sont cohérentes les unes avec les autres.

Il est également difficile de prioriser l'utilisation des règles pour fonctionner plus efficacement, ou comment résoudre les ambiguïtés.

Mise à jour des connaissances

Un problème lié à la base de connaissances est de savoir comment effectuer des mises à jour rapidement et efficacement. Aussi, comment ajouter de nouvelles connaissances, c'est-à-dire où les ajouter parmi tant de règles.

Applications

Diagnostic et dépannage

Il résume tous les systèmes à l'origine de pannes et suggère des actions correctives pour un processus ou un appareil défectueux.

L'un des premiers domaines de connaissances où la technologie des systèmes experts a été appliquée a été le diagnostic médical. Cependant, les diagnostics des systèmes d'ingénierie ont rapidement surpassé les diagnostics médicaux.

Le diagnostic peut être exprimé comme suit: compte tenu des preuves présentées, quel est le problème sous-jacent, la raison ou la cause?

Planification et planification

Ces systèmes experts analysent un ensemble d'objectifs pour déterminer un ensemble d'actions qui atteignent ces objectifs, en fournissant un ordre détaillé de ces actions au fil du temps, en tenant compte des matériaux, du personnel et d'autres restrictions.

Les exemples incluent la dotation en personnel et la planification des vols ainsi que la planification des processus de fabrication.

Décisions financières

Des systèmes de conseil financier ont été créés pour aider les banquiers à déterminer s’il convient d’accorder des prêts aux particuliers et aux entreprises.

Les compagnies d'assurance utilisent ces systèmes experts pour évaluer le risque que présente le client et ainsi déterminer le prix de l'assurance.

Surveillance et contrôle des processus

Ils analysent les données des appareils physiques en temps réel, afin de détecter les anomalies, prédire les tendances et contrôler à la fois l'optimisation et la correction des défauts.

Des exemples de ces systèmes se trouvent dans les industries du raffinage du pétrole et de la sidérurgie.

Conseil en connaissances

La fonction principale de cette application est de fournir un aperçu significatif du problème de l'utilisateur, dans l'environnement de ce problème.

Les deux systèmes experts les plus diffusés dans le monde appartiennent à cette catégorie.

Le premier de ces systèmes est un conseiller qui conseille l'utilisateur sur l'utilisation correcte de la grammaire dans un texte.

Le second est un conseiller fiscal attaché à un système de préparation des impôts. Conseille l'utilisateur sur la stratégie et les politiques fiscales particulières.

Références

1. Guru99 (2019). Système expert en intelligence artificielle: qu'est-ce que, applications, exemple. Tiré de: guru99.com.
2. Wikipédia, l'encyclopédie gratuite (2019). Système expert. Tiré de: en.wikipedia.org.
3. Margaret Rouse (2019). Système expert. Techtarget. Tiré de: searchenterpriseai.techtarget.com.
4. Vladimir Zwass (2019). Système expert. Encyclopédie tirée de: britannica.com.
5. Wtec (2019). Les applications des systèmes experts. Tiré de: wtec.org.
6. Viral Nagori (2014). Types de système expert: étude comparative. Semantic Scholar Tiré de: pdfs.semanticscholar.org.
7. Monde de l'informatique (2010). Systèmes experts. Tiré de: intelligence.worldofcomputing.net.